2027届校招NPU研发工程师-福州

优缺点分析

角色解读

• 从AI编译器开发入门，逐步深入异构计算和芯片软硬协同设计，成为编译器核心技术专家
• 积累模型部署和优化经验，可向AI平台架构师、算法工程专家或芯片工具链负责人等方向发展
• 依托瑞芯微在AIoT芯片领域的布局，可参与多产品线技术深耕，拥有跨领域发展机会
• 参与AI编译器及软硬件协同系统的开发，负责计算图优化、算子生成和运行时调度等核心模块建设
• 结合NPU硬件特性，进行硬件算子适配、调度和访存优化，提升芯片算力利用率
• 针对主流深度学习模型（CNN、Transformer、LLM）实施量化、剪枝等编译策略，优化推理性能和稳定性
• 开发多设备并行推理工具链，维护ONNX算子处理规则，解决模型部署中的兼容性问题
• 扎实的C/C++和Python编程能力，熟悉Linux系统级开发与调试
• 深入理解深度学习基础理论，熟悉常见模型结构（CNN、Transformer等）和主流框架
• 掌握量化、剪枝、蒸馏等模型压缩技术原理，熟悉ONNX、TensorRT、RKNN等部署工具链
• 了解NPU/GPU等异构计算单元的编程与调优方法

申请策略

• 关注瑞芯微的AIoT产品线和NPU架构，了解RKNN工具链的使用场景
• 可提前在GitHub上学习相关开源编译器项目，展示你的学习热情和技术兴趣
• 突出C/C++和Python的项目实践，如编译器、推理引擎或高性能计算相关项目
• 强调对深度学习模型部署的实操经验，如使用ONNX/TensorRT进行过模型优化
• 展示对模型压缩技术的理解，如量化、剪枝等方法的实际应用案例
• 如有NPU/GPU编程（CUDA、OpenCL、RKNN）经验，务必重点提及
• 熟悉LLVM或MLIR等编译器框架，理解计算图优化原理
• 深入学习TensorRT和ONNX Runtime等部署工具，掌握算子融合、内存优化技巧

面试指南

• 对于技术原理类问题，采用'定义-原理-应用'结构，先明确概念，再展开核心机制，最后联系实际案例
• 对于项目经验类问题，按照'背景-挑战-行动-结果'的STAR法则描述，突出个人贡献和技术难点
• 对于开放性问题，先给出总体思路，再分点阐述，最后总结自己的观点，展示逻辑性和深度
• 请解释一下深度学习模型的量化原理，以及你如何平衡精度和性能？
• 描述一下你在C++项目中遇到的内存泄漏问题，以及是如何定位和解决的？
• 如果让你将一个PyTorch模型部署到NPU上，你会考虑哪些关键步骤？
• 你对AI编译器有哪些了解？谈谈计算图优化的常见方法
• 你如何看待软硬件协同设计在AI芯片中的重要性？