主分类：大模型与生成式算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型算法工程师（压缩与轻量化方向） - PICO",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "研发"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "获得硕士学位及以上",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：作为一家拥有自主创新和研发创造能力的科技品牌，PICO致力于成为领先的世界级XR平台，成就开发者与创作者，共同为全球消费者创造更美好的生活体验。我们开创性地将虚拟现实扩展到了多个领域，为运动、视频、娱乐等消费级场景带来了全新体验；并广泛应用在教育、医疗和企业培训等商用场景，给全球企业级用户提供了多元化的VR解决方案。\n\n1、轻量化算法研发：主导大语言模型（LLM）及多模态模型的轻量化算法研究，包括量化（Quantization）、剪枝（Pruning）、稀疏化（Sparsity）与知识蒸馏（Knowledge Distillation），投机采样；\n2、极低比特量化突破：设计并实现高效的后训练量化（PTQ）与量化感知训练（QAT）方案；深入探索低比特（INT8、INT4、FP8、NF4等）量化算法（如AWQ，GPTQ，SmoothQuant，OmniQuant等），在保证模型精度（Perplexity与下游任务准确率）的前提下逼近理论压缩极限；\n3、结构精简与稀疏化：研究并落地基于Transformer架构的结构化/非结构化剪枝方案、层级丢弃（Layer Dropping）、注意力机制优化以及早期退出（Early Exit）机制，降低模型理论计算复杂度（FLOPs）；\n4、知识蒸馏链路构建：设计从千亿级Teacher模型向轻量级Student模型转移知识的蒸馏体系，包括LoGits蒸馏、中间特征/注意力矩阵蒸馏，以及基于特定领域指令微调（SFT）数据的自蒸馏机制；\n5、精度损失分析与对齐：构建完善的模型轻量化评测体系，能够快速定位在压缩过程中产生精度坍塌或能力退化的根本原因（如异常值Outliers分布分析），并提出针对性的算法补偿策略。",
"requirements_text": "1、获得硕士学位及以上，计算机、数学、人工智能或相关专业优先；\n2、具备扎实的机器学习与数学理论基础；精通Python和PyTorch，能高效实现并复现复杂的深度学习算法；\n3、深入理解Transformer架构的底层逻辑（Self-Attention，KV Cache，GQA/MQA，MoE机制，各类位置编码等）；\n4、具备丰富的模型压缩实战经验，主导或深度参与过大参数量模型的压缩项目；\n5、对主流的大模型量化算法原理及其数学推导有深刻理解，清楚不同量化方案在处理权重（Weight）和激活值（Activation）时的优劣与边界；\n6、具备较强的Paper阅读能力与严谨的实验分析习惯，能够从数据分布、模型梯度的微观层面分析轻量化带来的影响。\n\n加分项：\n1、在AI会议（ICLR，ICML，NeurIPS，ACL，EMNLP等）发表过模型压缩、高效AI（Efficient Inference/TinyML）相关的高质量论文；\n2、深入阅读并修改过业界知名模型压缩库的源码，或向bitsandbytes，AutoGPTQ，AutoAWQ，vLLM（量化模块），Neural Magic等开源项目贡献过代码；\n3、熟悉Megatron-LM、DeepSpeed等分布式训练框架，有在多机多卡环境下进行大规模QAT（量化感知训练）或大规模知识蒸馏的实操经验；\n4、了解GPU（CUDA）或NPU的底层访存与计算特性，了解W4A16、W8A8等量化算子的实际硬件加速瓶颈（Memory-bound vs Compute-bound），具备“算法-硬件”联合设计的意识。",
"skills": [AI生成
"Python",
"PyTorch",
"CUDA",
"机器学习",
"深度学习",
"大语言模型"
],
"preferred_qualifications": "1、获得硕士学位及以上，计算机、数学、人工智能或相关专业优先；加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7665248338118068485/detail"
}
]
},
"posting": {
"posting_id": "7665248338118068485",
"post_date": "2026-07-22",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7665248338118068485/detail"
},
"fulltext": "大模型算法工程师（压缩与轻量化方向） - PICO\n职位描述\n团队介绍：作为一家拥有自主创新和研发创造能力的科技品牌，PICO致力于成为领先的世界级XR平台，成就开发者与创作者，共同为全球消费者创造更美好的生活体验。我们开创性地将虚拟现实扩展到了多个领域，为运动、视频、娱乐等消费级场景带来了全新体验；并广泛应用在教育、医疗和企业培训等商用场景，给全球企业级用户提供了多元化的VR解决方案。\n\n1、轻量化算法研发：主导大语言模型（LLM）及多模态模型的轻量化算法研究，包括量化（Quantization）、剪枝（Pruning）、稀疏化（Sparsity）与知识蒸馏（Knowledge Distillation），投机采样；\n2、极低比特量化突破：设计并实现高效的后训练量化（PTQ）与量化感知训练（QAT）方案；深入探索低比特（INT8、INT4、FP8、NF4等）量化算法（如AWQ，GPTQ，SmoothQuant，OmniQuant等），在保证模型精度（Perplexity与下游任务准确率）的前提下逼近理论压缩极限；\n3、结构精简与稀疏化：研究并落地基于Transformer架构的结构化/非结构化剪枝方案、层级丢弃（Layer Dropping）、注意力机制优化以及早期退出（Early Exit）机制，降低模型理论计算复杂度（FLOPs）；\n4、知识蒸馏链路构建：设计从千亿级Teacher模型向轻量级Student模型转移知识的蒸馏体系，包括LoGits蒸馏、中间特征/注意力矩阵蒸馏，以及基于特定领域指令微调（SFT）数据的自蒸馏机制；\n5、精度损失分析与对齐：构建完善的模型轻量化评测体系，能够快速定位在压缩过程中产生精度坍塌或能力退化的根本原因（如异常值Outliers分布分析），并提出针对性的算法补偿策略。\n\n职位要求\n1、获得硕士学位及以上，计算机、数学、人工智能或相关专业优先；\n2、具备扎实的机器学习与数学理论基础；精通Python和PyTorch，能高效实现并复现复杂的深度学习算法；\n3、深入理解Transformer架构的底层逻辑（Self-Attention，KV Cache，GQA/MQA，MoE机制，各类位置编码等）；\n4、具备丰富的模型压缩实战经验，主导或深度参与过大参数量模型的压缩项目；\n5、对主流的大模型量化算法原理及其数学推导有深刻理解，清楚不同量化方案在处理权重（Weight）和激活值（Activation）时的优劣与边界；\n6、具备较强的Paper阅读能力与严谨的实验分析习惯，能够从数据分布、模型梯度的微观层面分析轻量化带来的影响。\n\n加分项：\n1、在AI会议（ICLR，ICML，NeurIPS，ACL，EMNLP等）发表过模型压缩、高效AI（Efficient Inference/TinyML）相关的高质量论文；\n2、深入阅读并修改过业界知名模型压缩库的源码，或向bitsandbytes，AutoGPTQ，AutoAWQ，vLLM（量化模块），Neural Magic等开源项目贡献过代码；\n3、熟悉Megatron-LM、DeepSpeed等分布式训练框架，有在多机多卡环境下进行大规模QAT（量化感知训练）或大规模知识蒸馏的实操经验；\n4、了解GPU（CUDA）或NPU的底层访存与计算特性，了解W4A16、W8A8等量化算子的实际硬件加速瓶颈（Memory-bound vs Compute-bound），具备“算法-硬件”联合设计的意识。\n团队介绍：作为一家拥有自主创新和研发创造能力的科技品牌，PICO致力于成为领先的世界级XR平台，成就开发者与创作者，共同为全球消费者创造更美好的生活体验。我们开创性地将虚拟现实扩展到了多个领域，为运动、视频、娱乐等消费级场景带来了全新体验；并广泛应用在教育、医疗和企业培训等商用场景，给全球企业级用户提供了多元化的VR解决方案。\n\n1、轻量化算法研发：主导大语言模型（LLM）及多模态模型的轻量化算法研究，包括量化（Quantization）、剪枝（Pruning）、稀疏化（Sparsity）与知识蒸馏（Knowledge Distillation），投机采样；\n2、极低比特量化突破：设计并实现高效的后训练量化（PTQ）与量化感知训练（QAT）方案；深入探索低比特（INT8、INT4、FP8、NF4等）量化算法（如AWQ，GPTQ，SmoothQuant，OmniQuant等），在保证模型精度（Perplexity与下游任务准确率）的前提下逼近理论压缩极限；\n3、结构精简与稀疏化：研究并落地基于Transformer架构的结构化/非结构化剪枝方案、层级丢弃（Layer Dropping）、注意力机制优化以及早期退出（Early Exit）机制，降低模型理论计算复杂度（FLOPs）；\n4、知识蒸馏链路构建：设计从千亿级Teacher模型向轻量级Student模型转移知识的蒸馏体系，包括LoGits蒸馏、中间特征/注意力矩阵蒸馏，以及基于特定领域指令微调（SFT）数据的自蒸馏机制；\n5、精度损失分析与对齐：构建完善的模型轻量化评测体系，能够快速定位在压缩过程中产生精度坍塌或能力退化的根本原因（如异常值Outliers分布分析），并提出针对性的算法补偿策略。\n1、获得硕士学位及以上，计算机、数学、人工智能或相关专业优先；\n2、具备扎实的机器学习与数学理论基础；精通Python和PyTorch，能高效实现并复现复杂的深度学习算法；\n3、深入理解Transformer架构的底层逻辑（Self-Attention，KV Cache，GQA/MQA，MoE机制，各类位置编码等）；\n4、具备丰富的模型压缩实战经验，主导或深度参与过大参数量模型的压缩项目；\n5、对主流的大模型量化算法原理及其数学推导有深刻理解，清楚不同量化方案在处理权重（Weight）和激活值（Activation）时的优劣与边界；\n6、具备较强的Paper阅读能力与严谨的实验分析习惯，能够从数据分布、模型梯度的微观层面分析轻量化带来的影响。\n\n加分项：\n1、在AI会议（ICLR，ICML，NeurIPS，ACL，EMNLP等）发表过模型压缩、高效AI（Efficient Inference/TinyML）相关的高质量论文；\n2、深入阅读并修改过业界知名模型压缩库的源码，或向bitsandbytes，AutoGPTQ，AutoAWQ，vLLM（量化模块），Neural Magic等开源项目贡献过代码；\n3、熟悉Megatron-LM、DeepSpeed等分布式训练框架，有在多机多卡环境下进行大规模QAT（量化感知训练）或大规模知识蒸馏的实操经验；\n4、了解GPU（CUDA）或NPU的底层访存与计算特性，了解W4A16、W8A8等量化算子的实际硬件加速瓶颈（Memory-bound vs Compute-bound），具备“算法-硬件”联合设计的意识。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}