主分类：AI训练推理与计算优化
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": "混元LLM大模型量化压缩高级算法工程师（北京/深圳/上海）",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "TEG",
"location": "深圳",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "腾讯",
"company_industry": "互联网 / 科技 / 人工智能",
"company_size": "10000人以上",
"company_website": "tencent.com",
"company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 5,
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.深度参与LLM大模型压缩加速方案研究，包括不限于：；\r\n2.投机采样：适配LLM模型架构特性，探索Prefill / RL等场景下优化加速方案；\r\n3.稀疏化：Sparse Attention，KV-Cache压缩，模型结构剪枝等优化技术，协同框架定制化稀疏方案，提升模型推理性能；\r\n4.量化：优化Transformer中 Linear/KV-Cache/Attention量化算法，适配FP8/INT8/NVFP4等量化方案及不同硬件后端。探索极低bit量化训练方案，深度协同硬件联合优化，实现模型体积极致压缩和性能突破，并推动实际业务落地；\r\n5.新技术：聚焦长上下文，多轮对话优化等压缩加速优化技术研究；\r\n6.设计可落地的大模型压缩算法及成本优化方案，助力大模型的性能加速，不限于模型结构/软硬协同优化；\r\n7.分析业务性能瓶颈和模型特点，定制化开发大模型压缩优化工具，实现一站式模型压缩-部署的高速推理方案；\r\n8.参与前沿的模型压缩加速算法研究，追踪领域前沿工作，撰写并发表顶会论文。",
"requirements_text": "1.熟悉深度学习算法基本原理，熟练掌握PyTorch，具备扎实的Python编程能力与工程实现能力；\r\n2.熟悉主流LLM模型压缩算法体系，并且了解硬件及推理库上对于模型压缩的支持方案；\r\n3.具有扎实的数理基础，熟悉常见的算法和数据结构，具有良好的编程习惯；\r\n4.了解大模型算法基本原理，熟悉常见LLM大模型，有顶会论文发表者优先。",
"skills": [AI生成
"Python",
"PyTorch",
"深度学习",
"数据结构",
"大语言模型"
],
"preferred_qualifications": "4.了解大模型算法基本原理，熟悉常见LLM大模型，有顶会论文发表者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers.tencent.com/jobdesc.html?postId=2008479663327956992"
}
]
},
"posting": {
"posting_id": "2008479663327956992",
"post_date": "2026-09-07",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers.tencent.com/jobdesc.html?postId=2008479663327956992"
},
"fulltext": "混元LLM大模型量化压缩高级算法工程师（北京/深圳/上海）\n在腾讯，后台开发工程师不仅是“又快又稳”的问题解决专家，更是生态共创者。你将与技术团队一同沉淀优质代码，让它成为我们共有的宝贵资产。在不同的业务场景和技术发展阶段，你的架构思维也将帮助更多协作团队拓展新的思考。我们也珍视你的挑战精神，同时欢迎你一起参与团队愿景、文化和产品方向的探讨。\n1.深度参与LLM大模型压缩加速方案研究，包括不限于：；\r\n2.投机采样：适配LLM模型架构特性，探索Prefill / RL等场景下优化加速方案；\r\n3.稀疏化：Sparse Attention，KV-Cache压缩，模型结构剪枝等优化技术，协同框架定制化稀疏方案，提升模型推理性能；\r\n4.量化：优化Transformer中 Linear/KV-Cache/Attention量化算法，适配FP8/INT8/NVFP4等量化方案及不同硬件后端。探索极低bit量化训练方案，深度协同硬件联合优化，实现模型体积极致压缩和性能突破，并推动实际业务落地；\r\n5.新技术：聚焦长上下文，多轮对话优化等压缩加速优化技术研究；\r\n6.设计可落地的大模型压缩算法及成本优化方案，助力大模型的性能加速，不限于模型结构/软硬协同优化；\r\n7.分析业务性能瓶颈和模型特点，定制化开发大模型压缩优化工具，实现一站式模型压缩-部署的高速推理方案；\r\n8.参与前沿的模型压缩加速算法研究，追踪领域前沿工作，撰写并发表顶会论文。\n1.熟悉深度学习算法基本原理，熟练掌握PyTorch，具备扎实的Python编程能力与工程实现能力；\r\n2.熟悉主流LLM模型压缩算法体系，并且了解硬件及推理库上对于模型压缩的支持方案；\r\n3.具有扎实的数理基础，熟悉常见的算法和数据结构，具有良好的编程习惯；\r\n4.了解大模型算法基本原理，熟悉常见LLM大模型，有顶会论文发表者优先。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}