人工智能理论及系统中心  项目名称：国产AI芯片智能适配与优化

本项目围绕国产AI芯片与多类型AI模型快速迭代背景下的核心挑战，构建一套面向国产AI芯片集群的通用模型适配与优化技术体系。研究内容涵盖高性能基础算子库建设、模型训练与推理快速适配、自动化Benchmark评测体系、智能体驱动的适配与优化，以及语言、多模态、AI4S、医疗、具身智能等典型场景的应用验证。项目目标是打破生态壁垒，实现海量AI模型在国产算力平台（如华为昇腾NPU、寒武纪、摩尔线程等）上的高效训练、稳定推理与快速落地。

岗位职责

根据研究方向和个人背景，将参与以下一个或多个模块：

1. 模型适配与推理优化
- 协助开展大语言模型（LLM）、多模态模型、AI4S等模型在国产AI芯片上的训练或推理适配工作
- 参与模型精度对齐测试与性能评估
- 协助调研并实现推理加速算法，优化模型在国产算力平台上的部署效果
- 整理并沉淀适配经验，维护知识库、配置模板与智能体 Skills

2. 自动化Benchmark评测体系建设
- 参与构建面向国产AI芯片的自动化模型精度与性能评测流水线（Benchmark Pipeline）
- 接入并维护标准化评测集，开发自动化测试脚本，实现“适配—运行—评测—报告”的全流程自动化
- 参与评测结果数据库（如 SQLite）的设计、维护及可视化看板建设

3. Hugging Face 生态集成与智能体开发
- 基于 Hugging Face transformers, datasets 等核心库，开发模型与数据集的获取、解析、过滤和本地化管理模块
- 协助优化模型权重动态加载、依赖环境梳理与隔离等工程流程
- 参与多智能体系统的 Prompt 工程、工具调用（Tool Use）与任务编排设计
- 参与自愈（Self-Healing）与纠错机制开发，通过解析 Traceback、运行日志与评测结果，实现自动化修复与调优

4. 算子开发与性能分析
- 参与基础算子库的功能验证与性能评测
- 协助开展算子 Profiling 分析，定位计算热点与内存瓶颈
- 辅助研究算子融合策略与高性能算子自动生成方法
- 撰写算子测试报告、性能分析报告及技术对比文档

岗位要求

基本要求：
- 计算机科学、人工智能、电子工程或相关专业背景
- 具备扎实的 Python 编程能力，熟悉 PyTorch 或 TensorFlow
- 熟悉深度学习基础知识，对 Transformer 等主流模型架构有良好理解
- 了解大语言模型与 Agent 技术，有 Prompt 调优、LLM API 调用或 Agent 构建经验者优先
- 熟悉 Hugging Face 生态者优先，能够使用 transformers，datasets 等完成模型下载、推理、微调或数据处理
- 具备良好的中英文技术文档阅读与撰写能力
- 责任心强，具备良好的工程动手能力、独立推进能力与团队协作精神

加分项（有以下任一背景者优先）：
- 熟悉主流大模型评测框架，如 OpenCompass，lm-evaluation-harness 等
- 有 Agent 框架或自动化工作流开发经验，如 LangChain，AutoGen，MetaGPT 等
- 有 GPU / NPU 编程经验，如 CUDA，Ascend CANN，Triton 等
- 了解大语言模型推理框架，如 vLLM，TensorRT-LLM，MindIE 等
- 有分布式训练经验，如 Megatron-LM，DeepSpeed 等
- 熟悉现代 Python 工程工具，如 uv, poetry，或具备 SQLite 等数据库使用经验
- 参与过开源项目，具备良好的 Git 版本管理习惯和 GitHub 贡献记录
- 了解科学计算相关领域，如气象、生物医药、流体仿真等
- 有论文发表经历（CCF A/B 类或同等级别）者优先

【我们提供】

- 与一线 AI 研究团队及工程师紧密合作的科研与工程实践机会
- 接触前沿的 Multi-Agent 自动化技术与模型适配优化体系
- 全面的科研指导与技术成长支持
- 具有竞争力的薪酬
- 协助发表高水平学术论文及申请专利
- 优秀者可推荐申请正式工程师岗位或获得研究团队推荐信

请将个人简历(包含教育背景、项目经历、技术栈)发送至邮箱：chencongliang@slai.edu.cn