AI 负载建模工程师【27届校招】

调研视觉 AI、端侧大模型、多模态模型等典型 Workload，分析模型结构、算子组成和应用特征；

拆解模型中的关键算子和计算模式，分析计算量、访存量、带宽压力和性能敏感点；

参与 AI SoC / NPU 架构定义，协助评估算力、片上存储、DDR 带宽、数据流、ISP-NPU 协同等关键参数；

搭建模型 Benchmark 和 Demo 验证流程，完成模型部署、性能 profiling、竞品对比和瓶颈分析；

输出 Workload 分析报告、Benchmark 数据和架构建议，为芯片定义、客户场景选择和软件栈规划提供依据

本科及以上学历，计算机、人工智能、电子工程、微电子、集成电路、自动化等相关专业；

熟悉深度学习基础，了解 CNN、Transformer、Attention、多模态模型、视觉检测 / 分类 / 分割等一种或多种模型；

理解 AI 模型从网络结构到算子执行的基本过程，能够分析 Conv、GEMM、Attention、LayerNorm、Softmax 等典型算子；

理解算力、带宽、访存、片上存储、DDR、延迟、吞吐、利用率等基础性能概念；

熟悉 Python，能够使用 PyTorch / ONNX / NumPy 等工具进行模型分析、Benchmark 脚本开发和数据处理；

具备较强的学习能力、数据分析能力和文档表达能力。 加分项

有模型部署、端侧推理、模型压缩、量化、ONNX 转换或性能 profiling 经验；

使用过 PyTorch Profiler、ONNX Runtime、TensorRT、TVM、TFLite、OpenVINO、MNN、NCNN 等工具；

熟悉视觉 AI、端侧大模型、多模态模型或智能摄像头等应用场景；

有 NPU / GPU / AI 加速器 / 嵌入式平台上的模型部署或性能分析经验；

有 Benchmark、竞品分析、技术调研报告或 AI 工具辅助开发经验。 你将获得

从真实 AI 模型出发参与 AI SoC / NPU 芯片架构定义的机会；

系统理解模型结构、算子特征、Benchmark 数据与芯片架构参数之间的关系；

成长为连接 AI 模型、应用场景和芯片架构的 Workload 分析型工程师