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！