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": "模型优化工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "上海",
"work_mode": "未披露",AI生成
"job_category": "未披露"AI生成
},
"company": {
"company_name": "小米集团",
"company_industry": "消费电子 / 智能制造 / 物联网",
"company_size": "10000人以上",
"company_website": "xiaomi.com",
"company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机科学、人工智能、数学等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 负责AI模型的网络级压缩与优化，涵盖量化（QAT/PTQ）、投机采样（Speculative Decoding）、Token压缩、知识蒸馏等技术； \n2. 针对大小模型设计并实现差异化量化方案，如小模型的KL散度、Percentile、AdaRound等，大模型的SmoothQuant、AWQ等； \n3. 参与模型网络结构的优化与重构，将现有网络的算子、Block替换为高效、硬件友好的架构； \n4. 参与模型训练与微调，能够复现、分析并改进前沿模型结构； \n5. 与硬件团队紧密合作，提供模型优化视角的硬件设计建议，推动下一代芯片对新型算子与网络结构的支持。",
"requirements_text": "1. 计算机科学、人工智能、数学等相关专业硕士及以上学历；\n2. 深入理解模型量化技术（PTQ/QAT），至少熟悉一种小模型或大模型量化方案，并有实际部署经验；\n3. 熟悉大模型推理优化技术，如投机采样、Token剪枝、稀疏化等；\n4. 具备较强的模型训练与复现能力，能够阅读论文并快速实现网络结构改进；\n5. 了解芯片计算特性；\n6. 代码能力强，熟练使用PyTorch/TensorFlow等框架，熟悉底层算子开发（如CUDA kernel）者更佳。",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"CUDA",
"模型训练",
"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://xiaomi.jobs.f.mioffice.cn/campus/m/position/7670910643553863962/detail"
}
]
},
"posting": {
"posting_id": "7670910643553863962",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://xiaomi.jobs.f.mioffice.cn/campus/m/position/7670910643553863962/detail"
},
"fulltext": "模型优化工程师\n职位描述\n1. 负责AI模型的网络级压缩与优化，涵盖量化（QAT/PTQ）、投机采样（Speculative Decoding）、Token压缩、知识蒸馏等技术； \n2. 针对大小模型设计并实现差异化量化方案，如小模型的KL散度、Percentile、AdaRound等，大模型的SmoothQuant、AWQ等； \n3. 参与模型网络结构的优化与重构，将现有网络的算子、Block替换为高效、硬件友好的架构； \n4. 参与模型训练与微调，能够复现、分析并改进前沿模型结构； \n5. 与硬件团队紧密合作，提供模型优化视角的硬件设计建议，推动下一代芯片对新型算子与网络结构的支持。\n\n职位要求\n1. 计算机科学、人工智能、数学等相关专业硕士及以上学历；\n2. 深入理解模型量化技术（PTQ/QAT），至少熟悉一种小模型或大模型量化方案，并有实际部署经验；\n3. 熟悉大模型推理优化技术，如投机采样、Token剪枝、稀疏化等；\n4. 具备较强的模型训练与复现能力，能够阅读论文并快速实现网络结构改进；\n5. 了解芯片计算特性；\n6. 代码能力强，熟练使用PyTorch/TensorFlow等框架，熟悉底层算子开发（如CUDA kernel）者更佳。\n1. 负责AI模型的网络级压缩与优化，涵盖量化（QAT/PTQ）、投机采样（Speculative Decoding）、Token压缩、知识蒸馏等技术； \n2. 针对大小模型设计并实现差异化量化方案，如小模型的KL散度、Percentile、AdaRound等，大模型的SmoothQuant、AWQ等； \n3. 参与模型网络结构的优化与重构，将现有网络的算子、Block替换为高效、硬件友好的架构； \n4. 参与模型训练与微调，能够复现、分析并改进前沿模型结构； \n5. 与硬件团队紧密合作，提供模型优化视角的硬件设计建议，推动下一代芯片对新型算子与网络结构的支持。\n1. 计算机科学、人工智能、数学等相关专业硕士及以上学历；\n2. 深入理解模型量化技术（PTQ/QAT），至少熟悉一种小模型或大模型量化方案，并有实际部署经验；\n3. 熟悉大模型推理优化技术，如投机采样、Token剪枝、稀疏化等；\n4. 具备较强的模型训练与复现能力，能够阅读论文并快速实现网络结构改进；\n5. 了解芯片计算特性；\n6. 代码能力强，熟练使用PyTorch/TensorFlow等框架，熟悉底层算子开发（如CUDA kernel）者更佳。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}