【岗位职责】 1. 负责大模型（LLM/Transformer类）的模型设计、微调与推理优化，包括模型结构调整、量化（Quantization）、剪枝（Pruning）、知识蒸馏（Distillation）等模型压缩技术研发 2. 分析大模型在推理/训练场景下的计算与访存特征（算子分布、内存带宽占用、KV Cache行为等），为AI计算子系统架构设计提供真实负载画像与量化输入 3. 与系统架构师协同开展"算法-架构协同设计"，评估不同模型压缩/优化方案在目标NPU/加速器架构上的性能收益与精度损失权衡 4. 参与模型部署适配工作，针对芯片架构约束（算力、片上存储容量、带宽）对模型进行针对性优化，提升端侧/边缘侧大模型的推理效率 5. 跟踪大模型领域前沿技术（如稀疏化、低比特量化、MoE、投机解码等），评估其对下一代AI SoC架构规划的影响并提出建议 6. 搭建模型性能评估与Benchmark体系，输出可复用的模型-硬件联合评估方法 【任职要求】 1. 计算机科学、人工智能、电子工程等相关专业博士学位，研究方向涉及大模型压缩、模型优化、高效深度学习或相关领域 2. 具备扎实的深度学习基础，熟悉Transformer/大模型结构原理，有量化、剪枝、蒸馏等模型压缩技术的研究或实践经验 3. 熟练使用PyTorch等主流深度学习框架，具备良好的工程实现能力（而非仅停留在论文复现层面） 4. 了解模型推理部署链路（如ONNX、TensorRT、或端侧推理框架），具备将模型压缩方案落地到实际推理性能提升的经验优先 5. 具备一定的硬件架构基础意识，理解算力、带宽、存储对模型部署的约束，能与硬件架构团队进行有效的技术对话（此前有算法-硬件协同项目经验者优先） 6. 论文/研究成果体现出对模型效率（而非单纯精度提升）的关注，如高效架构设计、稀疏化、低比特训练/推理等方向优先 7. 良好的数据驱动分析能力与跨团队协作能力