2027届校招机器学习平台研发工程师-福州

优缺点分析

角色解读

• 从MLOps/推理优化方向切入，逐步深入编译器、芯片协同设计等领域
• 可向机器学习平台架构师或AI infra专家方向发展，成为端到端部署领域骨干
• 借助瑞芯微的硬件生态，向AI芯片工具链、底层软件栈等前沿方向延展
• 参与深度学习模型计算图拆分与并行化工具链开发，优化模型在多核/多设备上的部署效率
• 建设ONNX算子切分与重写规则库，处理算子精度、Shape兼容等工程问题
• 与算法、编译器、硬件团队协作，推动模型从训练框架到推理平台稳定落地
• 扎实的Python编程能力和工程规范，能编写高质量代码
• 熟悉ONNX模型格式、计算图结构及算子拓扑关系
• 掌握PyTorch或TensorFlow，有模型转换或部署经验
• 对底层技术有好奇心和钻研精神，能独立分析和解决问题

申请策略

• 瑞芯微深耕AIoT芯片，面试时展示对芯片+AI协同的兴趣
• 关注公司技术博客或开源项目，在面试中体现了解深度
• 突出Python项目经验，尤其是工程化代码和调试能力
• 重点展示使用PyTorch/TensorFlow进行模型转换或部署的实例
• 如有ONNX、计算图或并行计算相关课题/竞赛经历，务必突出
• 强调对底层原理的探究，如源码阅读、性能调优等
• 提前学习ONNX格式和计算图结构，熟悉算子注册与重写机制
• 动手实践模型从PyTorch导出到ONNX再到推理引擎的完整流程

面试指南

• 对技术问题，采用'背景-方法-结果'结构，先说明问题场景，再讲解决思路，最后总结效果
• 对开放性问题，如精度对齐，先列举可能原因（算子精度、Shape不一致、设备差异），再谈排查工具和验证方法
• 对动机问题，结合公司业务（AIoT芯片）和个人技术兴趣，体现匹配度
• 解释ONNX的计算图结构，如何表示一个算子？
• 你如何将一个PyTorch模型部署到ONNX Runtime？遇到过哪些问题？
• 模型在多设备并行部署时可能遇到哪些精度或性能问题？如何排查？
• Python中如何高效处理大规模张量数据？
• 为什么选择我们公司？对AI芯片平台有什么了解？