卓胜微
【27届校招】AI 算法工程师
【27届校招】AI 算法工程师
发布于 大约 16 小时前普通员工/个人贡献者
无锡市
无经验要求
全职员工
仅现场办公
硕士
机器学习工程
Deepspeed
Lora
Rag
分布式训练
多模态
大模型
模型部署
AI 估算 · 20k–30k
AI算法工程师硕士校招薪资较高，无锡生活成本低于一线，但技术稀缺性强，综合市场行情估算。
职位详情
关于这个职位
这是一份面向27届毕业生的AI算法工程师校招岗位，主要负责大模型全流程开发，包括算法设计、模型微调、评估与部署，并探索AIGC等业务落地场景
你将接触LoRA、DeepSpeed、RAG等前沿技术，参与从研究到工程化的完整链路，适合希望在AI领域深耕的技术型应届生
最低要求
硕士学历，计算机/数学/AI相关专业，在校期间至少1个AI落地项目经验
精通Python，掌握C++/Java至少一门工程化语言
深入理解Transformer/BERT/GPT等架构，熟悉预训练-微调范式
熟练使用Hugging Face/DeepSpeed/Megatron等大模型工具链
能快速复现论文算法（arXiv最新论文追踪能力）
对技术商业化有敏锐洞察，擅长将学术成果转化为业务价值
强烈的技术好奇心，主动探索LangChain/AutoGPT等新兴生态
工作职责
主导AI算法全流程开发：从需求分析→算法选型→模型训练→生产部署
开发大模型微调框架（LoRA/P-Tuning等），实现行业知识注入
构建模型评估体系，解决数据偏差/过拟合/长尾分布等难题
探索大模型与业务场景结合点（如AIGC、智能决策、多模态检索）
优化模型推理性能（量化/蒸馏/ONNX-TRT部署）
优先资格
有Kaggle/天池竞赛Top 10%或顶会论文者优先
掌握大模型关键技术：Prompt Engineering、RAG、MoE架构
熟悉多模态训练技术（CLIP/BLIP/VILT等）
具备分布式训练经验（DDP/FSDP/ZeRO优化）
了解模型安全机制：对齐训练、RLHF、内容过滤
AI 洞察
优缺点分析
优点
- 岗位技术前沿，涉及大模型微调、多模态、分布式训练等热门方向，技能积累价值高
- 公司为上市公司，平台稳定，且AI岗位属于核心创新方向，资源支持力度大
- 校招岗位对经验要求相对宽松，注重潜力，适合应届生快速成长
- 大模型领域技术迭代快，需要持续跟踪论文和开源生态，保持学习强度
- 工作地点在无锡，相比一线城市，技术交流圈子和机会可能相对有限
- 适合对AI算法有强烈兴趣、具备扎实理论基础和动手能力、愿意深扎技术并渴望将学术成果落地为产品的应届硕士生
缺点 / 挑战
- 要求较高，不仅需要算法基础，还需工程能力（C++/Java）和分布式训练经验，学习曲线陡峭
角色解读
- 从算法工程师起步，逐步成长为技术专家或项目负责人，主导AI在业务中的落地
- 可向大模型架构师方向深入，专注于模型优化、分布式训练与部署架构
- 有机会转向技术管理层，带领团队推动企业AI战略，实现学术成果的商业化转化
- 负责AI算法从需求到部署的全流程开发，包括模型选型、训练、调优和上线
- 专注大模型微调与优化，使用LoRA、P-Tuning等技术实现行业知识注入
- 构建模型评估体系，解决数据偏差、过拟合等实际工程问题
- 探索大模型在业务场景中的应用，如AIGC、智能决策、多模态检索，并优化推理性能
- 扎实的Python编程能力，并掌握至少一门工程化语言（C++/Java）
- 深入理解Transformer架构及预训练-微调范式，熟悉Hugging Face等工具链
- 熟悉大模型关键技术，如Prompt Engineering、RAG、分布式训练（DDP/FSDP/ZeRO）
- 具备论文复现能力及技术商业化思维，关注LangChain等新兴生态
申请策略
- 关注卓胜微在AI领域的业务布局，面试时结合公司集成电路方向思考AI落地场景
- 准备1-2个自己深度参与的AI项目故事，突出难点和你的思考
- 突出在校期间的AI落地项目，强调从数据处理到模型部署的完整流程
- 详细描述使用过的大模型工具链（如Hugging Face、DeepSpeed），并列出具体技术细节
- 如果有竞赛或论文，明确注明名次或会议级别，这正是优先资质
- 强调分布式训练经验及对Prompt Engineering、RAG等技术的理解
- 提前复习Transformer架构、注意力机制等基础知识，能手推公式更佳
- 动手实现一个基于LoRA微调的示例项目，熟悉代码流程
面试指南
- 项目介绍采用STAR法则：背景（Situation）、任务（Task）、行动（Action）、结果（Result），突出技术难点和量化成果
- 技术原理问题先讲核心概念，再联系实际使用经验，最后提优化方案，体现深度思考
- “你怎么做”类问题，先给解决方案框架，再补充具体步骤和原因
- 请详细介绍一下你做过的一个AI项目，从数据、模型到部署的完整流程
- LoRA和P-Tuning的原理是什么？它们在大模型微调中有什么优缺点？
- 如何解决大模型训练中的显存不足问题？简述DDP、FSDP、ZeRO的区别
- 你如何评估一个AI模型的好坏？在数据不均衡时你会怎么做？
- 谈谈你对RAG的理解，以及它在实际业务中的应用场景
职位点评
73
综合评分
半导体公司AI算法岗，前沿技术栈，发展性好，但工作地点和WLB充满未知。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
更适合这类人
适合追求技术成长、渴望接触大模型最前沿技术、不介意坐班和地点灵活性的应届硕士毕业生。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展90
工作生活55
使命价值70
薪资福利
65中等
薪资处于校招中上水平，但未明确提及福利和具体薪酬，整体吸引力中等。
薪资信号未披露（AI估算：20K-30K/月）
成长发展
90较高
岗位技术前沿，涉及大模型核心生态，提供丰富的技能成长机会和商业转化场景，发展性极强。
技术前沿前沿/新兴技术
技术栈Python、Transformer、LoRA、DeepSpeed、Hugging Face、RAG、多模态、分布式训练、RLHF、LangChain
业务类型profit_center
工作生活
55较低
工作地点在无锡，需现场办公，JD未提及弹性工作或加班情况，生活平衡不确定性较高。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
公司为半导体行业上市公司，AI落地对业务有实际价值，但JD未强调社会意义，使命感知一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
卓胜微 的其他在招职位
相似职位推荐
Watch Jobs