算法工程化实习生

优缺点分析

角色解读

• 从算法工程化实习生起步，可成长为AI推理优化工程师或算法工程师，专注于模型部署
• 深入底层优化方向，成为GPU计算或AI编译器专家，薪资前景广阔
• 积累大模型实战经验后，可转向更高阶的模型训练或算法研究岗位
• 负责将图像/视频/音频大模型算法进行工程化集成，开发工具链，使模型能够高效部署
• 对多模态大模型进行性能优化，包括量化、蒸馏、剪枝等，减少模型大小和推理延迟
• 参与算子开发和编译库优化，利用CUDA、TensorRT等加速推理
• 扎实的C/C++和Python编程能力，具备良好的代码风格和计算机基础
• 熟悉深度学习框架（如PyTorch）和主流模型（CNN、Transformer等），了解模型优化技术
• 掌握至少一种推理优化工具（TensorRT、ONNXRuntime等），有实际加速经验
• 加分项：CUDA编程、AI编译器（MLIR/LLVM）经验、竞赛或论文成果

申请策略

• 申请时附带技术博客或GitHub链接展示相关项目，增加竞争力
• 了解万兴科技的主要产品（视频创意软件等），思考AI如何与其业务结合，面试中可体现
• 突出深度学习项目经验，尤其是涉及模型优化、推理部署的部分，如使用TensorRT或ONNX加速
• 强调CUDA编程或AI编译器相关项目，展示底层优化能力
• 如果有竞赛获奖或高质量论文，务必列出，证明研究潜力
• 提前学习TensorRT、ONNXRuntime等工具的使用，尝试对开源模型进行推理加速
• 复习C/C++和Python编程，确保代码质量，可练习LeetCode算法题

面试指南

• 对于经验类问题，采用STAR法则（情境-任务-行动-结果），具体说明项目背景、你的做法和量化成果
• 对于原理类问题，先给出定义，再举例说明，最后对比不同方法的适用场景
• 请描述一次你使用TensorRT或ONNXRuntime优化模型的经验
• 解释模型量化（PTQ vs QAT）的原理和优缺点
• 在C++中如何实现高效的内存管理？写一段简单的CUDA代码进行向量加法
• 你如何理解大模型蒸馏？剪枝有哪些常见方法？
• 复习深度学习常见模型架构（CNN、Transformer）和优化技术（量化、蒸馏、剪枝）
• 准备一个完整的模型部署项目，从训练到推理优化，能够清晰讲述技术细节