拼多多深度学习大模型推理系统研发专家

1.负责大语言模型的预训练、后训练及分布式训练优化，设计并开发面向芯片设计、制造等环节的大模型智能体（Agent）架构，实现任务规划与工具调用能力； 2.跟踪多模态学习，强化学习等前沿技术方向，开展半导体领域创新研究，推进大模型基础设施（Infra）建设，完成训练与推理加速，软硬协同优化等关键技术落地； 3.运用深度学习与多模态技术（如图像理解、以图搜图、生成算法等），解决芯片设计、制造环节中的缺陷检测，分类识别与精准定位等实际问题，承担模型训练、调优、评估及效果验证全流程工作； 4.推动前沿算法研究成果向业务场景转化，持续提升半导体研发与制造智能化水平。

岗位职责 1、主导公司在半导体领域大模型的尖端研发，包括但不限于预训练模型调优，指令微调等核心技术； 2、对接业务需求，在产品设计、验证、制造和测试的环节中构建定制化大语言模型解决方案，以提升研发效率和良率； 3、密切关注大模型领域的最新动态，将前沿技术转化为实际应用，推动公司技术边界持续拓展。

1.参与设计和实现AI芯片上的推理引擎SDK，包括代码生成、图优化、算子实现/优化以及系统运行时的方面； 2.参与设计和实现AI芯片上的大语言模型推理框架。进行功能实现和性能优化。

1、训练后模型压缩(Post-Training Compression)，训练后量化(PTQ)是被验证有效且相对易用的模型压缩技术，可以探索将类似方法拓展应用至稀疏、更低比特量化、混合精度等更多情况； 2、参数高效(Parameter-Efficient)压缩训练，在大模型上进行全量参数的微调训练对算力资源有很高要求，叠加模型压缩引入的额外参数，会进一步增大算力资源开销，降低可训练参数或者进行高效的参数初始化，是提升压缩训练效率的重要因素。