理想汽车大模型软件开发实习生（系统架构）
任职要求
1.硕士及以上学历，计算机、电子、通信、自动化等相关专业； 2.熟练掌握C/C++编程语言，具备良好的数据结构及算法基础； 3.具有比较强的AI编程能力，熟练使用Claude Code等AI开发工具框架； 4.数学功底好，同时对LLM算法有比较深入研究，了解前沿的LLM算法，例如GLM5.2和DeepSeekV4等…
工作职责
1.自研数据流架构 NPU 前沿LLM算子设计与实现优化：基于自研NPU芯片开发前沿LLM算子（例如DeepSeek CSA/HCA Attetion算子开发等 ），挖掘NPU芯片性能； 2.LLM 模型部署时空流水切分算法创新： 针对主流 LLM（如DeepSeek 系列）在自研数据流芯片架构如何进行空间切分，时间轴流水算法进行创新研究； 3.基于新一代数据流 NPU 的LLM算法协同创新： 深入研究数据流 NPU 硬件特性，探索适应NPU架构的LLM算法创新与优化； 4.LLM 推理端侧多芯分布式推理优化研究： 端侧多芯片场景下LLM通信和计算流水重叠技术，KV Cache管理优化算法，异构计算并发优化等。
1.参与和负责 NPU AI 推理功能研发和交付； 2.负责AI大模型分布式推理引擎系统研发、测试； 3.负责AI推理服务及 cli 客户端研发、测试； 4.负责AI推理应用研发、测试； 5.负责智驾系统确定性调度功能开发、测试。 或者 1.参与和负责AI大模型的推理、调度研发和交付； 2.负责 AI大模型分布式调度方案研发和测试； 3.负责AI推理场景应用开发和测试； 4.负责大模型目标平台编译、适配。
【课题说明】 本课题以美团酒旅业务为研究场景——该场景具有供给侧 SKU 品类异构、C/B 双端研发并行、节假日促销驱动的高频需求迭代等特征，是验证 AI-Augmented SDLC 有效性的高复杂度典型场景。课题旨在构建 AI-Augmented SDLC 的理论框架，研究 LLM 深度介入需求→设计→开发→验收全链路后的最优人机协作形态，形成可量化的效率度量体系与可复制的工程实践方法论。 【建议研究方向】 1.AI 友好型需求（AI-Ready PRD/Spec）构建方法：研究如何将自然语言需求转化为结构化、机器可读的规格表示（如 Spec、DSL、AI-Ready PRD 等），探索作为需求表达与机器理解交接的规格语言设计原则与 LLM 解析效果之间的关系。 2.跨职能协作流程重构与 Agent 化（PM-RD-QA 分工边界重构）：参照 Human-AI Collaboration 及 Multi-Agent Systems 理论框架，研究在产品→研发→测试协作链路中引入 Agentic Workflow 的可行路径与边界条件，探索 AI 在不同角色中的自主程度与人工干预策略。 3.产研范式相关指标体系与度量方法（交付效率、交付质量等）：借鉴 DORA Metrics、DevEx 等业界度量框架，结合 AI 介入后的新型产研链路，构建涵盖交付周期压缩率、AI 代码采纳率、规格对齐准确率、需求返工率等维度的量化指标体系。 4.棕地 vs 绿地项目的分场景落地策略：研究 SDD 范式在存量代码重构（Brownfield）与全新需求开发（Greenfield）两类场景下的适配性差异，识别影响落地效果的关键情境因素（Contextual Factors）。 5.范式转型的组织配套与推广机制：参照 Technology Adoption Model（TAM）及 Organizational Learning 理论，研究产研范式转型过程中的阻力来源、推广路径与组织能力建设模式，沉淀可复用的转型 Playbook。
1. 构建大模型质量评测体系： 负责大语言模型（LLM）推理精度评估，涵盖模型在文本生成、问答、推理、代码生成、安全伦理等多维度的能力测评，并推动建立对抗性评测机制； 2. 开发性能评测工具： 主导大模型服务性能评测工作，设计、实现、维护核心压测工具与基础设施，为业务场景提供原子化性能保障能力； 3. 保障端到端质量： 负责大模型推理引擎核心模块的内部质量验证，并支撑从模型部署到用户交互的全链路端到端功能质量验收和质量门禁把控。
岗位描述： 1. 负责支持自动驾驶VLA大模型高效部署的新一代软件架构设计和开发，负责VLA大模型在不同芯片上的部署设计。 2. 负责大模型的量产部署，解决实际部署中的各种问题。 3. 负责在大模型自驾芯片上的性能优化，充分挖掘芯片性能，确保大模型的实车软件性能表现满足量产需求。 4. 探索下一代大模型和自驾芯片的软件架构和部署方案，拓展到L3、L4等更多场景。