小米顶尖应届-大模型芯片协同设计研究员-大模型
任职要求
1. 精通机器学习（深度学习），具备卓越的创新研究能力，充满对未知领域的好奇心，热衷于探索前沿技术边界； 2. 编程能力出色，熟练掌握至少两种编程语言，精通Pytorch/Tensorflow，能够将创造性想法快速转化为高效代码； 3. 研究成果丰富，在国际顶级会议或期刊（如NeurIPS、ICLR、ACL、CVPR、COLT等）发表高水平论文，展现独特洞见与技术突破； 4. 在领域内知名比赛中取得优异成绩者优先，体现解决复杂问题的创造力与竞争力； 5. 笃信通用人工智能（AGI）的未来愿景，致力于通过开放协作与持续创新推动AGI发展； 6. 认同开放共进的企业文化，具备敏锐的逻辑思维、卓越的沟通协调能力和自我学习能力，主动负责，严谨细致，勇于挑战常规，追求极致。
工作职责
1. 模型架构优化，适配芯片计算特性； 2. 芯片设计定制，支持高效推理； 3. 量化与压缩技术，降低功耗与延迟； 4. 内存管理优化，提升数据访问效率； 5. 软硬件协同调度，最大化资源利用。 【课题名称】 大模型和芯片协同设计 【课题内容】 本课题拟围绕大模型和端侧芯片co-design系列问题，包括：模型优化、芯片定制、量化压缩、内存管理、软硬件协同。
1. 模型架构优化，适配芯片计算特性； 2. 芯片设计定制，支持高效推理； 3. 量化与压缩技术，降低功耗与延迟； 4. 内存管理优化，提升数据访问效率； 5. 软硬件协同调度，最大化资源利用。 【课题名称】 大模型和芯片协同设计 【课题内容】 本课题拟围绕大模型和端侧芯片co-design系列问题 包括：模型优化、芯片定制、量化压缩、内存管理、软硬件协同。
1、创新应用和模型结构分析和建模：对新MoE模型，Transformer优化模型，非Transformer模型，语音模型，视觉模型进行计算特征，访存特征，通信特征分析建模； 2、推理系统优化技术：基于应用特征，自顶向下分析推理软件栈可优化手段，从推理调度，KV Cache管理，推理引擎，算子，并行切进行协同优化； 3、模型压缩：探索低精度损失的低比特量化（如INT4/INT2量化）或稀疏化等算法，缓解大模型推理计算与内存开销； 4、长序列优化：通过序列压缩、序列并行等算法，在有限的部署资源上（如单机）实现1M甚至10M长序列高效推理； 5、提供高性能轻量级AI推理引擎：分析当前CPU执行AI推理的性能瓶颈，通过先进AI算法技术（比如Sparsicity等）和编译优化技术（auto-tiling等)，结合BW芯片众核、大带宽、高矢量的架构特征，挑战性能天花板，推动AI4Compiler技术切实落地。 【课题名称】 大模型负载分析和推理系统优化。 【课题内容】 结合端侧设备的功耗、面积和实时性限制，探索自动优化方法研究，沉淀算子、模型及应用级优化方法，识别加速最优解决方案，并能够实施自动化化优化技术研究&应用。实现计算过程中的高效协同，发挥各类计算单元的有效算力；在算力墙、内存墙、通信墙等各维度平衡取舍发挥系统综合最优性能。
1、参与SoC低功耗整体策略制定与系统设计方案分析； 2、负责低功耗系统框架下全系统状态控制、调频调压、底层温控等技术方案设计开发； 3、负责SoC启动、MCU小系统控制、功耗建模等技术方案设计开发； 4、负责全芯片时钟复位方案设计交付、特殊实现与关键IP技术迭代； 5、支撑EDA/EMU/FPGA验证、IP/子系统功耗优化迭代与回片闭环。 【课题名称】大模型负载分析和推理系统优化 【课题内容】结合端侧设备的功耗、面积和实时性限制，探索自动优化方法研究，沉淀算子、模型及应用级优化方法，识别加速最优解决方案，并能够实施自动化化优化技术研究&应用。 实现计算过程中的高效协同，发挥各类计算单元的有效算力；在算力墙、内存墙、通信墙等各维度平衡取舍发挥系统综合最优性能。
1.负责大模型在内的各类算法的移动端部署与优化； 2.负责移动端深度学习框架开发及算子优化； 3.不断挖掘移动芯片算力潜能，改良模型结构，实现业界领先的算法执行效能； 4.撰写相关论文，专利。 【课题名称】 端侧大模型效能优化 【课题内容】 解决大模型落地涉及的性能功耗内存限制，实现最高效的大模型推理方案。