AI编译器技术工程师 杭州、上海、合肥、深圳 社招 全职 数字技术 - 算法 本科及以上 3-5 年 职位描述 职位描述：1. 负责AI处理器的图编译或者推理引擎方案设计、验证、开发和维护工作；2. 负责AI编译栈的性能评估及优化工作，并探索软硬件协同优化方案；3. 对智能辅助驾驶领域常用算法和工具进行调研和分析4. 改进工具链各个组件和性能分析工具 职位要求 岗位要求：1. 熟悉C/C++、python编程，有较好的编程习惯和编程基础；2. 熟悉常用数据结构及算法，如堆/栈/队列/树/图等；3. 熟悉计算机体系结构及常见硬件架构（如GPGPU、CPU、DSP、DSA等）；有如下经验优先考虑：1. 熟悉常见编译器优化技术，了解编译器构成和编译原理，如寄存器分配、指令选择与调度、循环优化、数据流分析、静态分析等。2. 熟悉TVM/MLIR/GLOW/IREE等深度学习框架编译器；3. 熟悉推理引擎的关键技术，包括图优化，量化，算子融合，tiling等 投递...
校招-AI软件开发工程师 推荐投递-芯片研发 上海、深圳、合肥、杭州 校招 正式 数字技术 - 芯片研发 硕士及以上 2027届校园招聘-正式批 职位 ID：A224754A 职位描述 1. 负责AI处理器的图编译或算子编译器方案设计、验证、开发和维护工作； 2. 基于自研芯片的高性能AI计算软件库的开发和性能优化工作，并完成对应的测试； 3. 负责AI的推理引擎或大模型推理引擎的开发，设计，验证和维护工作； 4. 负责AI编译栈的性能评估及优化工作，并探索软硬件协同优化方案； 5. 对辅助驾驶领域常用算法和工具进行调研和分析。 职位要求 1. 计算机/高性能计算/通信/电子信息/微电子等相关专业，硕士及以上学历； 2. 熟悉C/C++、python编程，有较好的编程习惯和编程基础； 3. 熟悉常用数据结构及算法，如堆/栈/队列/树/图等； 4. 熟悉计算机体系结构及常见硬件架构（如GPGPU、CPU、DSP、DSA等）； 有如下经验优先考虑： a. 熟悉常用NN算子的实现方式，有算子开发和优化经验，包括Conv，DeConv，激活，Pool，Attention等； b.
AI infra研发工程师（推理系统） 上海、杭州、深圳、合肥 社招 全职 数字技术 - 芯片研发 本科及以上 1-3 年 职位描述 负责大模型及 AI 芯片的高性能推理系统与编译栈建设，打通从深度学习算法到芯片硬件的极致加速通路：1. 推理系统与框架演进：参与大模型推理引擎（如 vLLM / TensorRT-LLM / SGLang 或自研引擎）的核心组件研发，优化高并发、高吞吐场景下的请求调度与缓存管理（KV Cache）；2. 计算图与编译优化：负责 AI 模型的计算图优化、算子融合（Operator Fusion）、内存复用及代码生成（Tiling/Lowering），释放硬件计算潜能；3. 前沿技术工程落地：结合业务场景（大模型/多模态等），探索并落地投机解码、长上下文、PD 分离或模型量化压缩（FP8/INT8）等前沿优化技术；4. 系统性能剖析与工具链：分析系统端到端瓶颈，完善性能分析（Profiling/Tracing）工具与验证体系，保障线上服务与底层工具链的高可用交付。 职位要求 1. 计算机、人工智能、软件工程、电子通信等相关专业本科及以上学历；2. 熟练掌握 C/C++ 或 Python，具备良好的系统编程素养与数据结构基础；3.
2027校招-AI编译器工程师（上海/杭州/成都） 上海、成都、杭州 校招 正式 职位描述 一、岗位定位负责大模型推理 / 训练框架底层编译器的设计、开发与优化，将上层深度学习模型（Transformer / MoE / 多模态等）高效映射到 GPU、NPU、Ascend、CPU 等异构硬件，提升大模型在真实业务中的吞吐、延迟与资源利用率。二、岗位职责参与大模型编译器前后端开发：图级优化（算子融合、常量折叠、Layout 转换）、算子 Lowering、调度与内存规划。负责面向 Transformer / Attention / MoE 等核心算子的底层代码生成与 kernel 性能调优（Tiling、流水线、双缓冲、量化等）。对接主流编译基础设施（MLIR / LLVM / TVM / XLA / PyTorch 2.x Inductor 等），参与自定义 Dialect 与
2027校招-算子开发工程师（上海/北京/成都） 上海、北京、成都 校招 正式 职位描述 岗位职责- 负责公司自研 AI 加速芯片上的 算子库设计与实现，覆盖训练与推理核心算子（如 GEMM/Conv/Attention/LayerNorm/Softmax/Reduce/Scatter-Gather 等）。- 基于芯片计算单元、片上存储（SRAM/Cache）、HBM 带宽、NoC 拓扑、DMA/异步拷贝能力，进行 算子性能建模与瓶颈分析（roofline、访存/计算比、流水并行），制定优化策略。- 设计并落地 kernel 调度与 tiling 策略：多级分块、数据布局（layout/packing）、向量化/张量化、双缓冲/多缓冲、算子融合（fusion）等。- 建设算子库工程化体系：算子接口规范、版本管理、性能回归、单测/对齐验证、精度与数值稳定性、跨平台兼容- 参与端到端模型性能优化：对接 PyTorch/TensorFlow/ONNX Runtime 等前端（或公司自研框架），完成算子覆盖、性能调优和线上问题定位（profiling/trace）。 职位要求 （优秀应届可放宽）。- 计算机/电子/自动化/数学等相关专业；- 熟悉深度学习常见算子与数值实现（GEMM/Conv/Attention/Norm/Reduce），理解训练/推理的差异（激活、梯度、混合精度、量化）。- 扎实的 C/C++ 能力，良好的工程习惯；能熟练使用性能分析工具（profiling、trace、perf、火焰图或自研工具）。- 熟悉至少一种加速器编程模型或并行体系（CUDA/OpenCL/ROCm/Metal/TVM/Triton/oneDNN/CUTLASS 等）并能迁移到自研 ISA/Runtime。- 具备系统级性能意识：理解存储层次、带宽/延迟、cache/预取、NUMA、DMA、并行同步等，对算子优化有方法论。加分项-