Lenovo logo
联想
Advisory Researcher, On-Device Model & Agent Efficiency

Advisory Researcher, On-Device Model & Agent Efficiency

发布于 41 分钟前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
高级经验
硕士
全职员工仅现场办公算法优化工程师
算法优化工程师
多模态推理
异构计算
投机解码
模型压缩
知识蒸馏
端侧Agent
端侧模型
量化训练

值不值得投

75综合评分

综合评分 75

端侧AI前沿研究岗,技术成长强、创新价值高,薪资与WLB信息未披露。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

5.0万

比算法优化工程师中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 360 个在招

市场机会

选择面较广

北京 · 算法优化工程师 · 约 370 个在招

职位详情

关于这个职位

该职位聚焦端侧模型与Agent效率研究,围绕量化压缩、投机解码、蒸馏、token routing和端云协同等方向开展前沿探索

你将负责定义研究问题、构建原型与评测基准,并与工程团队协作推动成果落地,输出论文、专利和可复用组件

最低要求

硕士及以上学历,人工智能、计算机科学、电子信息技术等相关专业

具备扎实的机器学习、模型压缩加速、推理机制或多模态/Agent 研究背景
具备独立定义研究问题、设计实验、实现原型和验证新方法的能力
熟悉至少两个方向:量化训练、投机解码、蒸馏、token routing、端侧 Agent、多模态推理、异构推理机制
具备强代码与实验能力,能与工程团队共同处理端侧部署约束

工作职责

围绕端侧效率开展前沿研究:

压缩与加速(FP4/INT4 QAT、投机解码、on-policy distillation)
端侧 Agent 与 token routing/device-cloud 编排算法
低时延隐私保护个性化多模态模型结构与推理机制
定义新问题、设计新方法、构建原型与评测基准,形成可验证的技术假设和实验闭环
面向 CPU/GPU/NPU 异构计算及 Windows/Linux/Android 等端侧 OS 约束,分析算法-系统协同设计空间
与工程师合作推动研究成果落地,输出论文、专利、技术报告和可复用组件
参与制定研究方向与路线图,指导团队成员,提升部门在端侧效率方向的技术影响力

AI 洞察

优缺点分析

优点

  • 岗位方向聚焦端侧模型效率,涉及量化、投机解码、蒸馏、Agent和端云协同等前沿议题,技术积累价值高
  • 工作内容覆盖研究、原型、评测和落地闭环,既能做前沿探索,也能看到成果在真实端侧场景中的应用
  • 输出形式包括论文、专利、技术报告和可复用组件,有助于形成可沉淀的个人技术影响力
  • 参与研究方向与路线图制定,有机会提升在部门内的技术话语权
  • 研究问题偏前沿,很多方法没有成熟范式,需要具备较强的问题定义和实验闭环能力

缺点 / 挑战

  • 端侧场景受CPU/GPU/NPU、OS和时延功耗约束影响,算法到落地之间的工程复杂度较高
  • 同时要求研究产出和工程落地,对论文、专利、原型和组件化能力都有较高要求

角色解读

  • 可向端侧AI算法专家、模型压缩与推理优化专家或多模态Agent研究专家方向发展
  • 随着研究影响力积累,可承担技术路线规划、团队指导和跨团队技术影响力建设,逐步走向高级研究专家或研究管理角色
  • 也可转向端侧智能、AI PC、移动设备AI、边缘推理平台等方向的产品化架构与技术战略岗位
  • 围绕端侧模型效率开展研究,重点包括量化压缩、投机解码、蒸馏和on-policy distillation等加速方法
  • 设计端侧Agent、token routing以及device-cloud协同编排算法,提升端侧智能体的响应效率和资源利用率
  • 研究低时延、隐私保护、个性化多模态模型结构与推理机制,适配CPU/GPU/NPU和Windows/Linux/Android等约束
  • 构建原型系统和评测基准,与工程团队协作落地,并输出论文、专利、技术报告和可复用组件
  • 需要扎实的机器学习、深度学习和多模态/Agent研究基础,能够独立提出研究问题并验证新方法
  • 需要熟悉量化训练、投机解码、蒸馏、token routing、端侧Agent、多模态推理或异构推理机制中的至少两个方向
  • 需要较强代码与实验能力,能够完成原型实现、实验设计、基准评测和结果分析
  • 需要理解端侧部署约束,能与工程团队协作处理不同芯片、操作系统和推理框架下的性能问题

申请策略

  • 申请时建议用具体项目说明你如何把研究假设转化为可验证实验和真实性能收益
  • 面试前可了解端侧AI、AI PC和联想相关产品方向,准备如何平衡模型效果、时延、隐私和资源消耗
  • 突出与量化训练、FP4/INT4 QAT、投机解码、蒸馏、多模态推理或Agent相关的研究项目和论文/专利成果
  • 强调独立定义问题、设计实验、实现原型和构建评测基准的完整研究闭环经历
  • 展示在CPU/GPU/NPU、Windows/Linux/Android或移动端推理约束下的部署与优化经验
  • 补充代码能力、实验规模、性能提升指标和可复用组件沉淀,体现从研究到工程落地的能力
  • 提前准备模型压缩与推理加速的核心方法,包括量化、蒸馏、投机解码和端侧推理性能评估
  • 熟悉端侧Agent、token routing、device-cloud协同编排以及多模态低时延推理的最新研究进展

面试指南

  • 使用“问题背景—技术假设—方法设计—实验设置—结果验证—落地约束”的结构回答研究项目
  • 回答技术方案时,从效果、时延、功耗、内存、隐私和工程复杂度多个维度说明取舍
  • 遇到开放问题时,先明确端侧设备约束和目标指标,再提出可验证方案与评测方式
  • 请介绍一个你独立完成的研究问题定义、实验设计和原型验证项目
  • FP4/INT4 QAT、投机解码和蒸馏方法在端侧场景中的适用条件与权衡是什么?
  • 如何设计端侧Agent的token routing或device-cloud编排策略?
  • 面对CPU/GPU/NPU和不同端侧OS约束,你会如何做算法-系统协同优化?
  • 如何构建评测基准来证明一种端侧效率优化方法真实有效?

职位点评

薪资福利78
成长发展90
工作生活45
使命价值82

薪资福利

78中等

JD未披露薪资与福利信息,但岗位要求硕士以上、高级研究能力和端侧AI前沿经验,通常对应较高专业价值。由于缺少明确薪酬福利条款,补偿性满足度只能基于岗位门槛作有限判断。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

90较高

岗位明确覆盖前沿研究、原型构建、评测基准、论文专利和路线图制定,对技能成长和技术影响力建设非常有利。要求掌握多个端侧效率与Agent推理方向,发展性动机匹配度高。

技术前沿前沿/新兴技术
技术栈FP4/INT4 QAT、投机解码、on-policy distillation、token routing、device-cloud 编排、端侧 Agent、多模态模型、CPU/GPU/NPU 异构计算、Windows/Linux/Android
成长机会参与制定研究方向与路线图、指导团队成员、提升部门在端侧效率方向的技术影响力
业务类型ambiguous

工作生活

45较低

JD仅明确地点为北京,没有说明远程、弹性办公、双休或加班情况,因此生活化动机满足程度无法充分判断。岗位包含研究闭环、工程协作和路线图参与,但原文未给出WLB相关承诺。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

82较高

岗位围绕端侧效率、低时延隐私保护和个性化多模态模型展开,具有较强技术探索价值和实际应用潜力。JD未直接描述社会使命,但隐私保护和端侧效率提升带来较明确的正向意义。

行业发展新兴领域(暂难判断)
社会影响正向社会影响力较高
使命信号低时延隐私保护个性化多模态模型结构与推理机制
创新程度积极采用新技术
Watch Jobs