Mid-AI 應用工程師（AI Application Engineer）

【工作內容】

模型部署與效能評測：在 Kubernetes 上部署與測試新發布的開源模型（含 BF16 / NVFP4 等不同精度），比較推論效能、成本與品質，找出最適合上線的配置
模型訓練與微調：依任務需求 finetune 模型——ViT、BERT 類小模型直接用 Python 訓練，LLM 則透過 K8s Job 排程；重點是快速讓現有模型適配客戶場景，而非從零發明架構
模型服務化：將模型包成 API 部署上線（K8s），交付客戶穩定使用
客戶方案設計：分析需求後選擇最務實的解法——可能是 prompt engineering + AI Agent / RAG 架構（需比較不同模型表現），必要時才進行 finetune，用最小成本達到目標準確度與回應速度
多模態應用：不限於 LLM，也會接觸圖像生成、ASR / TTS、影片等模型的部署與應用

【條件要求】
必備：
Python 開發能力，熟悉 PyTorch 或 Hugging Face 生態系
有實際訓練或微調模型的經驗（規模不拘，side project 亦可，但要能說清楚你做了什麼、為什麼這樣做）
基本 Docker / Kubernetes 經驗，或有強烈意願快速上手
懂得評估模型：能設計簡單評測比較模型好壞，而不是憑感覺
善用 AI 工具開發：我們期待你用 Claude Code、Copilot 等工具加速工作（公司提供 AI 模型用量補助），並持續追蹤新模型動態

加分：
用過 vLLM、SGLang、TensorRT-LLM 等推論框架
有量化（quantization）或推論加速實作經驗
建置過 RAG、AI Agent 相關系統
接觸過圖像生成、ASR / TTS、影片生成等非文字模型
有從需求到上線的完整交付經驗（公司或個人專案皆可）

【我們在找什麼樣的人】
這不是研究職，也不是找某個領域鑽十年的專家。我們是 20 人的小團隊，每個人都能碰到完整的技術棧，決策快、迭代快。AI 領域每三個月換一輪工具，我們更看重：

站在巨人肩膀上：知道什麼時候用現成方案、什麼時候才值得自己動手
快速迭代：新模型發布一週內就能部署起來測試，而不是等別人寫好教學文
對潮流敏感：主動把新能力整合進工作流程，持續提升開發速度、回應時間與準確度
不怕被 AI 取代：因為你就是最會用 AI 的那個人

如果你曾因為「想試試看」就自己部署過模型、寫過 agent，或用 AI 工具把三天的工作壓縮到半天——投遞時附上你的 GitHub 或作品說明，我們想跟你聊聊。