【崗位職責】：
1、模型輕量化與優化
· 主導大模型的端側適配工作，包括但不限于模型剪枝、量化（INT8/INT4等）、知識蒸餾、低秩分解等。
· 探索和實現新興的輕量化技術，持續提升模型在端側的運行效率。
2、推理引擎與工具鏈
· 深度優化和定制端側推理引擎（如TFLite, MNN, NCNN, TNN, MediaPipe等），解決部署過程中的性能瓶頸和兼容性問題。
· 開發和完善模型轉換、壓縮、打包的自動化工具鏈，提升部署效率。
3、性能調優與極致加速
· 利用硬件特性（如CPU/GPU/NPU的Neon， OpenCL， Vulkan， Metal等）進行底層指令級優化，實現極致的推理速度。
· 分析和定位性能熱點（內存、緩存、計算單元），并進行針對性優化。
4、端到端部署與集成
· 與團隊緊密合作，理解模型結構，提出利于端側部署的模型設計建議。
· 與客戶端/嵌入式開發團隊協作，完成AI能力的SDK封裝、集成和聯調，確保穩定性和性能。
5、技術預研與創新
· 跟蹤業界最新技術動態（如端側大模型、MoE架構端側化等），進行技術選型和原型驗證。
【任職條件】：
1、碩士及以上，計算機科學、電子工程、人工智能等相關專業，具備端側AI模型部署或推理引擎開發經驗的優先。
2、精通C/C++，具備扎實的代碼能力和良好的編程習慣。熟悉至少一種腳本語言（Python/Shell）。
3、深入理解深度學習模型（CNN/Transformer等）的基本原理和計算圖結構。
4、熟練掌握至少一種主流深度學習框架（TensorFlow/PyTorch）。
5、有豐富的模型輕量化實戰經驗，精通PTQ/QAT量化、模型剪枝等技術中的至少兩項。
6、熟悉至少一個主流端側推理引擎（TFLite, MNN, NCNN等）的源碼和架構，并有實際優化經驗。
7、具備扎實的計算機體系結構知識，對內存、緩存、并行計算有深刻理解。
8、有使用性能分析工具（如Perf, Systrace, Android Profiler）的經驗。
9、加分項：
（1）有成功將大語言模型（LLM）或視覺大模型（VLM）部署到端側的實際項目經驗。
（2）熟悉移動端（Android/iOS）或嵌入式（Linux）開發環境，有JNI/OC橋接開發經驗。
（3）熟悉異構計算，有使用GPU（OpenCL/Vulkan/Metal）或DSP/NPU進行AI加速的經驗。
（4）熟悉編譯器技術（如LLVM, MLIR），并有相關開發經驗。
（5）對模型安全、隱私保護有深入了解。
（6）在GitHub上有相關的開源項目貢獻或技術博客。