职位名称：图编译器开发工程师工作地点：杭州职位描述：我们正在寻找一位对深度学习编译器和 AI 加速器有深刻理解的图编译器开发与优化工程师。你将负责构建和优化从 PyTorch 到自研 NPU 的端到端图编译流程，确保模型在转换后精度无损、性能卓越、资源高效。工作涵盖前端图提取、中间表示（IR）优化、NPU 算子映射、量化支持、图调度及性能调优，是连接算法模型与底层硬件的关键桥梁。主要职责：1.设计并实现从 PyTorch（含 Dynamo/TorchScript）到内部 IR 的高保真图提取与转换流程；2.开发面向 NPU 架构的图级优化策略（如算子融合、内存复用、常量折叠、布局转换等）；3.实现 NPU 原生算子的注册、匹配与替换机制，确保语义等价与数值精度一致；4.支持 FP16/BF16/FP8/FP4等混合精度推理，保障量化前后模型精度对齐；5.与 NPU 算子团队协作，定义高效算子接口，推动图-算子协同优化；6.构建自动化测试框架，覆盖图转换正确性、数值精度、性能回归等维度；7.针对大语言模型（LLM）、视觉模型等典型 workload 进行端到端编译 pipeline 优化。任职要求：必备条件：1.计算机科学、电子工程或相关专业硕士及以上学历；2.精通 C++ 和 Python，具备扎实的系统软件开发能力；3.深入理解深度学习计算图、执行调度等核心概念；4.有 PyTorch 图捕获（如 TorchDynamo）相关开发经验；5.熟悉主流深度学习编译器框架（如 TVM、MLIR）；6.具备模型精度调试与数值一致性验证经验（如使用 torch.allclose、逐层比对等）；7.了解 NPU/GPU 等 AI 加速器的基本架构与执行模型。加分项：1.有从 PyTorch 到专用硬件（如 NPU、TPU）的完整编译部署经验；2.熟悉 MLIR 方言设计、Pass 开发及 Lowering 流程；3.参与过大模型（如 Llama、Qwen、Stable Diffusion）的编译或部署优化；4.了解量化感知训练（QAT）或后训练量化（PTQ）流程；5.在 MLSys、OSDI、ASPLOS、NeurIPS Systems Track 等会议发表过相关成果。不光是图编译哦，有其他岗位的也可以联系我！

面试前约40分钟会有工作人员电话联系，确认是否参加面试。进入会议室后，需携带身份证进行身份核查。群面（≈40min）一场约10人，进入会议室前会随机分配编号。面试官宣读群面规则屏幕共享群面题目（背景资料+问题），思考5min思考时间到后，按照编号顺序进行个人称述（2min内）无领导小组讨论15min，小组选出1人汇报最终方案，结束后其他人可以进行补充根据编号，评价下一位同学的群面表现（如1号同学评价2号同学）终面是线下，大概1月中下旬。

n=str(input())oushu=[]jishu=[]for i in n:i =int(i)if i % 2==0:oushu.append(i)else:jishu.append(i)oushu_num=0oushu = oushu[::-1]for j in range(len(oushu)):oushu_num += 10**j*oushu[j]jishu_num=0jishu = jishu[::-1]for k in range(len(jishu)):jishu_num += 10**k*jishu[k]res=abs(jishu_num - oushu_num)print(res)  #牛客试题# 小红拿到了一个正整数，她希望把数位中的奇数和偶数分别抽取出来然后做差，请你求出这个差的绝对值。例如，302938的奇数抽取出来是393，偶数抽取出来是28，最终的差的绝对值是365。 https://www.nowcoder.com/questionTerminal/57351e46193a4dfda794c96d8260c80a?f=discussion&toCommentId=22394207

在这个人均“985”、个个“拼命三郎”的时代，看着朋友圈里凌晨三点的加班打卡，和图书馆里坐穿板凳的考研笔记，我不得不承认一个残酷的事实： 在“学习”和“工作”这条赛道上，我彻底卷不过你们了。 我的大脑似乎有它自己的想法，每当试图输入复杂的公式或晦涩的单词时，它就会自动开启省电模式，发出滋滋的抗议声。与其在书桌前痛苦地“磨洋工”，不如顺从天性，去寻找那个属于我的“高光时刻”。 于是，我转身投入了游戏的怀抱。既然卷不过智商和学历，那我只能卷手速和意识了。 这是一场属于我的、没有硝烟的战争。 在这个虚拟世界里，我不再是那个唯唯诺诺的“小透明”。为了冲上王者，我研究每一个英雄的技能机制，背诵每一张地图...