OPPO高级机器学习算法工程师（AI推理）-博士
任职要求
1. 计算机、人工智能相关专业博士学历 2.具有深度学习模型、LLM推理加速和优化经验，熟悉常见LLM推理引擎及加速技术，具有端上AI研究和落地经验优先； 3.至少熟悉C++/Python/Java中的一种开发语言，熟悉常用计算机数据结构和算法； 4.熟悉常见机器学习推理训练框架（TensorFlow/PyTorch/MNN等），理解常用算法的目标函数、优化过程、适用场景等； 5.对大模型、智能体、推广搜、MLSYS等任意领域有较为深入的理解。有知名学术会议良好发表记录优先（OSDI/MLSys/ICLR/NeurIPS/ICML/KDD /AAAI/IJCAI等）； 6.思维清晰，乐于学习新知识，乐于分享。
工作职责
专注于大模型系统优化、异构计算的前沿技术研究和落地，研究领域包括不限于高性能大模型系统架构、LLM-as-a-Service技术等。 岗位职责： 1. 负责大模型轻量化及推理优化的研究，支持大模型在云侧及端侧的高效推理及微调； 2. 负责端上大模型及AI智能体运行引擎的研发和部署。
专注于以端设备为中心的AI智能体研究与应用，研究方向包括但不限于智能体与多智能体框架、大模型推理与规划、大模型工具使用等。 岗位职责： 1、负责大模型驱动的AI智能体框架的实现、评估与优化，并参与构建产品原型； 2、设计微调方案、适配算法和调优工程方案，结合智能体应用，实现最佳效果与性能； 3、跟踪与研究AI智能体相关前沿技术，并针对大模型推理与规划、工具使用、结构化输出等提出创新性方案。
方向一： 岗位职责 面向应用商店、Agent助手、搜索、广告等高价值业务场景，预研和落地信息检索(搜索、推荐、广告)核心技术，岗位职责包括但不限于： 1.针对冷启动推荐、多场景多任务建模、自动特征工程、用户通用表征、多模态信息检索、对话推荐、端云推荐、检索增强生成(RAG)、智能体检索等核心难题，负责研发和突破信息检索关键技术。 2.跟踪学术界和工业界最新进展，快速应用到业务中，提出创新信息检索技术，发表高水平论文。 3.协同核心AI技术的设计以及工程化落地，包括模型设计、特征工程、效率优化等。 方向二： 岗位职责 面向Agent助手、搜索、广告、应用商店等高价值业务场景，预研和落地智能体检索和推理大模型(r1/o1/o3)核心技术，岗位职责包括但不限于： 1.针对大推理模型(r1/o1/o3)、端侧大模型、多模态信息检索、AI搜索推荐、检索增强生成(RAG)、个性化内容生成、大模型特征生成等核心难题，负责研发和突破关键技术。 2.跟踪学术界和工业界最新进展，快速应用到业务中，提出创新信息检索技术，发表高水平论文。 3.协同核心AI技术的设计以及工程化落地，包括模型设计、特征工程、效率优化等。 【岗位资源】 1.真实大规模搜推广、用户助手业务场景需求、数据、AI开发平台、计算资源。 2.与知名高校资深老师团队科研合作，提供例行科研沟通合作机会。 3.业界资深研究员带队技术探索、落地、论文写作发表。
1、解决公司大模型/AI系统个性化的系统、算法中的中长期难题； 2、算法和系统难题包括但不限于：大模型个性化技术，多模态/手机端Agent框架搭建，Agent自动生成和自主学习，多模态大模型，多模态信息检索，端侧模型训练，个性化LLM推理等。算法与工程高度结合； 3、可自由参与各种技术讨论，自己发现问题，并解决问题。
方向一： 1.负责针对相机的计算成像的算法原型研发和演进 - 基础图像算法如3R(NoiseReduction, SuperResolution, HDR), 多帧多摄等； - 图像后处理算法如美颜、色彩映射，图像渲染等； - 软硬件结合图像算法如ISP（image signal processor)算法的开发调优、白平衡、自动对焦、自动曝光控制，色彩还原，多摄立体视觉，防抖算法的迭代进化等； 2.AI技术应用影像业务，利用机器学习，深度学习，模型压缩及小型化等前沿技术，解决low-level画质处理，语义理解等多领域核心问题，整体提升用户体验和业务价值； 3.针对android平台和手机soc芯片的图像处理算法架构设计的基础研究，实现全链路影像处理链路的端到端性能最优设计；针对图像/视频效果进行标准定义和定量评测的理论研究； 4.对于前沿技术的动态进行追踪，主导高校产学研合作或供应商技术合作，实现新的影像算法领域探索和技术创新。 方向二： 1.模型性能分析与优化 1)负责影像端侧模型性能分析与调优，包括推理速度、内存占用、功耗等关键指标优化； 2)设计并优化量化、剪枝、蒸馏等模型压缩技术，推动算法在移动端的高效部署； 3)针对GPU/NPU/DSP等硬件特性模型结构，识别模型运行中的瓶颈并提出改进方案，提升端侧推理效率。 2.技术预研与落地 1)跟踪行业前沿技术（如大模型端侧优化、模型压缩等），完成技术验证并推动业务落地； 2)协同算法团队优化模型架构，平衡性能与精度需求。 3)与硬件、系统框架团队合作，优化底层驱动及系统资源调度策略，提升模型运行效率；