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": "研究型实习生-多模态大模型软硬协同优化",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里云",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里云",
"company_industry": "云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "博士在读",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、负责研究AI大模型的推理性能优化算法，优化大模型推理部署的算力和访存瓶颈，提升AI模型在GPU、AI加速器等硬件上部署性能效率，推动大模型普惠应用和高性价比的竞争力；\n2、负责高性能软硬结合的大模型推理优化方法研究，在AI类业务场景尤其是大模型场景下，通过结合模型算法和硬件来充分挖掘软硬件协同的组合优化潜力，带来高价值的性能和成本优势；\n3、负责研发业界SOTA的多模态大模型计算性能优化方法创新，增强技术壁垒，并在云的商业业务中产生核心价值。",
"requirements_text": "1、博士在读，且发表过一篇以上的AI类CCF-A会议的文章；\n2、熟悉AI深度学习和大模型原理和技术栈，有清晰的理解和认系统性的认知，熟悉AI部署和推理流程，hands-on操作过大模型的部署和性能分析，具备独立工程研发、性能分析和落地能力；\n3、熟悉常见的模型性能优化和推理加速方法，包含不限于量化/压缩/算子优化/结构优化/并行等，有对大模型优化加速的经验；\n4、学习和研究能力强，能够快速掌握新领域和新技术，并具备创新能力；思考沟通表达能力强。",
"skills": [AI生成
"深度学习",
"性能优化",
"沟通表达",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199903700010?deptCodes="
}
]
},
"posting": {
"posting_id": "199903700010",
"post_date": "2026-03-17",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199903700010?deptCodes="
},
"fulltext": "研究型实习生-多模态大模型软硬协同优化\n研究型实习生-多模态大模型软硬协同优化\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2030-01-01\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：杭州\n\n职位描述\n1、负责研究AI大模型的推理性能优化算法，优化大模型推理部署的算力和访存瓶颈，提升AI模型在GPU、AI加速器等硬件上部署性能效率，推动大模型普惠应用和高性价比的竞争力；\n2、负责高性能软硬结合的大模型推理优化方法研究，在AI类业务场景尤其是大模型场景下，通过结合模型算法和硬件来充分挖掘软硬件协同的组合优化潜力，带来高价值的性能和成本优势；\n3、负责研发业界SOTA的多模态大模型计算性能优化方法创新，增强技术壁垒，并在云的商业业务中产生核心价值。\n\n职位要求\n1、博士在读，且发表过一篇以上的AI类CCF-A会议的文章；\n2、熟悉AI深度学习和大模型原理和技术栈，有清晰的理解和认系统性的认知，熟悉AI部署和推理流程，hands-on操作过大模型的部署和性能分析，具备独立工程研发、性能分析和落地能力；\n3、熟悉常见的模型性能优化和推理加速方法，包含不限于量化/压缩/算子优化/结构优化/并行等，有对大模型优化加速的经验；\n4、学习和研究能力强，能够快速掌握新领域和新技术，并具备创新能力；思考沟通表达能力强。\n\n在招业务\n阿里云\n1、负责研究AI大模型的推理性能优化算法，优化大模型推理部署的算力和访存瓶颈，提升AI模型在GPU、AI加速器等硬件上部署性能效率，推动大模型普惠应用和高性价比的竞争力；\n2、负责高性能软硬结合的大模型推理优化方法研究，在AI类业务场景尤其是大模型场景下，通过结合模型算法和硬件来充分挖掘软硬件协同的组合优化潜力，带来高价值的性能和成本优势；\n3、负责研发业界SOTA的多模态大模型计算性能优化方法创新，增强技术壁垒，并在云的商业业务中产生核心价值。\n1、博士在读，且发表过一篇以上的AI类CCF-A会议的文章；\n2、熟悉AI深度学习和大模型原理和技术栈，有清晰的理解和认系统性的认知，熟悉AI部署和推理流程，hands-on操作过大模型的部署和性能分析，具备独立工程研发、性能分析和落地能力；\n3、熟悉常见的模型性能优化和推理加速方法，包含不限于量化/压缩/算子优化/结构优化/并行等，有对大模型优化加速的经验；\n4、学习和研究能力强，能够快速掌握新领域和新技术，并具备创新能力；思考沟通表达能力强。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}