深信服
AI 算法 高级工程师/架构师
AI 算法 高级工程师/架构师
发布于 3 天前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
软件工程
Gpu
Pytorch
Tensorflow
Vllm
分布式训练
多模态
大模型优化
推理加速
模型压缩
AI 估算 · 35k–55k
高级算法工程师稀缺，深证互联网大厂薪资较高，核心技术岗有竞争力。
职位详情
关于这个职位
该职位专注于AI大模型训练与推理的性能优化，涉及软硬件结合、并行计算、模型压缩等前沿技术，适合对深度学习底层优化有热情的资深工程师
你将参与深信服核心AI产品的效率提升，与顶级硬件和算法团队合作，推动业务降本增效
最低要求
）硕士及以上学历，计算机科学、人工智能相关专业
）熟悉主流ML框架（TensorFlow、Keras、PyTorch、scikit-learn等），深入理解深度学习原理，精通深度学习框架（TensorFlow、PyTorch），有一定的NLP、CV或强化学习领域的实践经验
熟悉分布式训练技术，如DeepSpeed、Megatron、TensorFlow Distributed、PyTorch Distributed
精通AI推理引擎（vLLM、LM-Deploy、TensorRT-LLM、TensorFlow Serving、TorchServe、ONNX Runtime等）
）熟悉模型优化技巧，能够在多种硬件平台（CPU、GPU、TPU等）上调优模型
熟悉生成模型（如GPT、LLaMA、Qwen）和强化学习，有实际的生成模型微调经验，对多模态模型在训练和推理过程中的资源优化有深入理解，确保多模态模型在业务场景中的高效应用
）熟悉常用的多模态模型（如CLIP、Blip等）的原理和应用，能够在文本、图像、音频等多种数据源之间进行融合和生成
具备多模态数据的处理和特征提取能力，能够根据业务需求进行数据预处理、嵌入和模型微调
熟悉向量检索技术，能够支持跨模态的内容检索和匹配，为多模态AI应用提供技术支持
工作职责
）负责大模型训练和推理过程的性能优化，通过量化、蒸馏、剪枝、软硬件（TPU、GPU）、并行计算设计等方式提升性能，节省成本
）设计和开发深度学习模型，专注于卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等架构，使用TensorFlow、PyTorch等框架进行大语言模型和多模态模型开发、训练和调优，提升训练和推理效率
）结合深度学习技术及大语言模型、多模态技术，设计和优化AI应用效果和效率
优先资格
）熟悉推理加速技术（vLLM、TensorRT、OpenVINO、CUDA）
）熟悉Docker、Kubernetes等容器技术者优先
AI 洞察
优缺点分析
优点
- 接触前沿的大模型优化技术，涵盖训练、推理、压缩等领域，技术成长快
- 深信服为上市大厂，平台稳定，资源充足，有丰富的GPU算力支持
- 薪资竞争力强，核心岗位年终奖丰厚，职业发展空间大
- 技术门槛高，需要同时掌握算法、工程和硬件知识，学习曲线陡峭
- 工作强度较大，可能需要应对紧急项目或线上性能问题
- 适合对深度学习底层优化有浓厚兴趣、具备较强动手能力和算法功底的资深工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术深耕：成为AI性能优化专家，主导核心算法框架的设计与演进
- 架构升级：向系统架构师方向发展，负责大规模分布式训练系统的技术决策
- 管理方向：逐步带领团队，成为AI技术团队负责人或技术总监
- 负责大模型训练和推理的性能优化，通过量化、蒸馏、剪枝等技术提升效率，降低计算成本
- 设计并实现深度学习模型，使用PyTorch、TensorFlow等框架开发大语言模型和多模态模型
- 与硬件团队合作，优化模型在GPU/TPU上的运行效率，提升业务场景中的AI应用效果
- 精通深度学习框架（PyTorch、TensorFlow）和分布式训练技术（DeepSpeed、Megatron等）
- 熟悉推理引擎（vLLM、TensorRT-LLM等）和模型优化技巧（量化、剪枝等）
- 了解多模态模型（CLIP、Blip等）和向量检索技术，具备跨模态数据融合能力
申请策略
- 提前了解深信服的AI业务方向（如安全、云计算），在面试中展现对业务场景的理解
- 准备一个完整的性能优化案例，包括问题分析、方案设计、效果对比等
- 突出大模型训练/推理优化相关项目经验，包括量化、蒸馏、分布式训练等
- 强调熟悉的主流框架和工具，如PyTorch、DeepSpeed、vLLM等，最好有实际落地案例
- 展示多模态模型经验或硬件优化经历会加分
- 系统学习CUDA编程和GPU架构，可通过NVIDIA官方课程或相关项目实践
- 深入研究vLLM、TensorRT-LLM等推理加速框架，尝试复现或改进一些优化方案
面试指南
- 对于技术问题：先给出核心原理，再结合实际场景的权衡，最后可提出自己独到的见解
- 对于项目问题：使用STAR法则（情境-任务-行动-结果），突出量化指标和优化幅度
- 请解释Transformer模型中Self-Attention的计算复杂度，并介绍如何优化长序列推理？
- 如何通过量化减少模型内存占用？FP16与INT8的区别及适用场景？
- DeepSpeed的ZeRO优化策略有哪几个阶段？各自优缺点是什么？
- 在分布式训练中，如何平衡计算与通信开销？
- 请描述一个你实际做过的模型优化项目，包括挑战和结果
- 复习深度学习模型压缩与加速经典论文（如量化、知识蒸馏、模型剪枝等）
职位点评
68
综合评分
高成长、高薪资、高挑战，WLB一般。
更适合这类人
适合追求技术快速成长、愿意投入时间钻研的前沿算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活40
使命价值60
薪资福利
80较高
深信服为上市大厂，算法岗位薪资水平在深圳竞争力强，福利完善，但具体薪资面议。年终奖和股票期权可能不错。
薪资信号面议 (35K-55K/月)
成长发展
90较高
职位涉及前沿的AI优化技术，能深度接触大模型训练和推理，技术栈新，成长空间大。
技术前沿前沿/新兴技术
技术栈深度学习、大模型、分布式训练、推理引擎、多模态
业务类型ambiguous
工作生活
40较低
深圳现场办公，可能加班较多，WLB一般。公司未明确提及弹性工作。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
AI安全与云计算行业前景好，但职位本身偏技术优化，社会影响力中性。
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
Watch Jobs