联想
大模型算法工程师
大模型算法工程师
发布于 大约 15 小时前普通员工/个人贡献者
武汉市
高级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
Pytorch
剪枝
大语言模型
模型量化
知识蒸馏
高通
Int8/Int4/Fp8
低秩分解
AI 估算 · 25k–45k
联想大厂，大模型方向热门，武汉薪资略低于一线，但高级算法工程师需求旺盛，取中高水平。
职位详情
关于这个职位
该职位负责大语言模型的压缩与优化，包括量化、剪枝、蒸馏等技术，以提升模型在边缘设备上的推理效率
你将跟踪前沿技术，设计并实现高效的压缩方案，并针对高通等硬件平台进行定制优化，最终建立全面的性能评测体系
适合对模型部署和算法优化有浓厚兴趣的工程师
最低要求
计算机科学、电子工程、自动化、数学等相关专业
具备扎实的数学基础，特别是线性代数、概率论和最优化理论
精通 Python 编程，熟悉 C++ 编程，有良好的代码风格和工程实践能力
熟练掌握至少一种主流深度学习框架（PyTorch优先，TensorFlow亦可），并对其底层实现有一定了解
深入理解深度学习基本原理，尤其熟悉 Transformer、Attention等模型结构
具备模型量化、剪枝、蒸馏等至少一种压缩技术的实际项目经验，熟悉相关主流算法
对模型部署流程有清晰的认识，了解模型在不同硬件上推理的性能瓶颈
具备优秀的分析问题和解决问题的能力，能够独立承担研究和开发任务
良好的沟通能力和团队协作精神，具备强烈的责任心和自我驱动力
工作职责
跟踪并研究模型量化（Quantization）、剪枝（Pruning）、知识蒸馏（Knowledge Distillation）、低秩分解（Low-Rank Factorization）等领域的最新技术进展
负责前沿压缩算法的复现、评估和创新，并将其应用于主流的大语言模型（如Llama系列、Qwen系列等）
负责大模型的训练后量化（PTQ）和量化感知训练（QAT）流程，开发高效的校准（Calibration）策略，在保证模型精度的前提下，实现INT8、INT4、FP8等低比特量化
针对不同硬件平台（如高通）的特性，进行深度定制的量化方案设计与优化
建立并完善模型压缩后的性能评测体系，从模型精度（如Perplexity、MMLU benchmarks）、推理速度（Latency/Throughput）、内存占用（Memory Footprint）和功耗等多个维度进行综合评估
AI 洞察
优缺点分析
优点
- 大模型+边缘计算是未来趋势，技能稀缺度高，职业前景广阔
- 联想作为国际大厂，资源丰富，有机会接触高通等合作伙伴的底层硬件
- 工作内容涵盖研究与应用，能持续跟踪前沿技术，个人成长快
- 模型压缩涉及大量数学和工程细节，学习曲线陡峭
- 需要同时关注精度和性能，调试过程繁琐，可能面临高强度攻关
- 大模型训练和调优对计算资源要求高，可能需要接受加班
- 适合对深度学习底层原理和模型优化有浓厚兴趣，喜欢解决工程与算法交叉问题，具备较强独立思考和研究能力的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深发展：成为模型压缩与边缘计算领域的专家
- 横向拓展：转向AI芯片设计、编译器优化或AI系统架构
- 管理路径：带领团队负责端侧AI解决方案，晋升技术经理或架构师
- 跟踪模型压缩领域前沿论文，复现并创新量化、剪枝、蒸馏等算法
- 将压缩算法应用于Llama、Qwen等大模型，实现低比特量化（INT8/INT4/FP8）
- 针对高通等硬件平台特性，定制优化量化方案以提升推理效率
- 建立精度、速度、内存、功耗等多维度的评测体系，评估模型压缩效果
- 扎实的数学基础（线性代数、概率论、最优化），理解Transformer结构
- 精通Python和C++，熟练使用PyTorch并了解底层实现
- 有模型量化、剪枝或蒸馏的实际项目经验，熟悉PTQ/QAT流程
- 了解模型部署流程，能分析硬件推理性能瓶颈
申请策略
- 联想重视工程落地，面试时多准备实际案例，用数据说明压缩后模型的速度和精度变化
- 关注联想在边缘AI上的业务方向（如PC、手机、IoT），表达对端侧智能的兴趣
- 突出模型压缩项目经验，详细描述量化、剪枝或蒸馏的实现细节与效果
- 展示对Transformer等模型结构的理解，如手写Attention或分析过源码
- 强调C++和Python工程能力，附上GitHub链接或开源贡献
- 提及对高通或ARM等硬件平台的认识，如有相关部署经验更佳
- 学习INT8/INT4量化原理，动手复现简单的PTQ或QAT伪代码
- 熟悉TensorRT、ONNX Runtime或开源推理框架
面试指南
- 对于量化问题，先明确量化精度和范围，再说明校准方法和微调策略，最后提及硬件适配
- 对于项目经验问题，用STAR法则：情境、任务、行动、结果，突出量化后的指标改善
- 对于部署问题，从模型转换、量化、算子优化到性能调优分步阐述，注意体现对硬件特性的理解
- 请解释训练后量化（PTQ）和量化感知训练（QAT）的区别及适用场景
- 如何在不显著降低准确率的情况下将一个大模型量化到INT4？请给出具体步骤
- 描述一次你使用剪枝或蒸馏优化模型的经历，遇到哪些问题，如何解决？
- Transformer中哪些部分对量化敏感？如何校准量化参数以减少精度损失？
- 如果你需要将一个大模型部署到高通的手机芯片上，你会怎样设计压缩方案？
职位点评
70
综合评分
大厂前沿技术岗，高成长性，薪资具备竞争力，但WLB待明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
适合看重技能成长和技术前沿性的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展88
工作生活50
使命价值65
薪资福利
70中等
联想大厂，武汉薪资有竞争力，但未明确列出福利，补偿性动机满足中等偏上。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
88较高
模型压缩是前沿技术，工作涉及研究与应用，成长性强，但未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈模型量化、剪枝、知识蒸馏、低秩分解、PyTorch、Transformer、INT8/INT4/FP8、高通
业务类型profit_center
工作生活
50较低
仅现场办公，未提及WLB，武汉生活节奏相对适中，但无明确弹性政策。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
大模型压缩有助于AI普及，具有一定的社会价值，但属于技术驱动，意义感中等。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
联想 的其他在招职位
相似职位推荐
Watch Jobs