AI端侧模型与大模型训练工程师

模型算法研发： 面向公司实际业务场景，负责视觉、语音或多模态等至少一个方向的技术方案设计、模型选型、网络结构设计及算法优化。结合机器人、实体设备的硬件约束，开展软硬件协同优化方案的工程落地，适配视觉‑深度、多传感器融合等面向物理世界的模型。

模型训练与评测： 负责数据处理、训练及评测集建设、模型训练、参数调优和误差分析，持续提升模型核心任务指标、鲁棒性、泛化能力及复杂场景下的应用效果。

模型轻量化与端侧部署： 运用量化、剪枝、知识蒸馏等模型压缩技术完成模型轻量化改造，兼顾模型精度与端侧硬件运行性能，覆盖视觉、多模态、机器人感知类模型。负责或协助轻量化后模型的端侧部署工作，完成模型转换、算子适配、推理链路调优，适配CPU/GPU/NPU/DSP等多类硬件平台，包含ARM、RISC‑V架构、机器人嵌入式硬件平台。

全链路问题攻关： 开展端侧推理全链路性能分析与问题定位，解决模型转换异常、精度掉点、算子不支持、内存溢出、跨平台结果不一致等工程难题；重点处理物理世界感知场景下的推理鲁棒性问题。

技术创新与体系建设： 跟踪模型压缩、端侧推理引擎、AI芯片、RISC‑V生态、具身智能领域前沿技术，推动成熟技术方案在实体设备产品中落地应用。协助或参与端侧部署工具链建设、性能评测体系与工程规范制定，提升模型压缩‑部署全流程的开发交付效率。

基础要求： 1、2027届应届毕业生，本科及以上学历，英语四级及以上；

技能要求：

计算机、人工智能、电子信息、自动化等相关专业博士应届毕业生。

深度学习理论基础扎实，对模型压缩（量化、剪枝、知识蒸馏）有深入研究或项目实践经验；熟悉计算机视觉、多模态感知等相关技术领域。

深度理解至少一类模型压缩技术原理，能够独立开展模型轻量化方案设计与效果验证。

熟练Linux开发环境，掌握Python，具备C/C++开发能力；熟悉PyTorch/TensorFlow等至少一种深度学习框架。

熟悉模型导出、转换、推理部署完整流程，有ONNX、TensorRT、TFLite、NCNN、OpenVINO、RKNN、MindSpore Lite等至少一种推理工具使用经验；了解国产AI芯片、RISC‑V架构下模型部署与工具链者优先。

具备完整工程实践能力，可以独立完成模型压缩、转换、精度校验、性能调优全流程工作；能够处理真实物理场景下模型推理的精度、时延异常问题。

逻辑分析能力强，善于排查复杂推理问题，具备良好的沟通协作与技术文档撰写能力。