算子/Kernel工程师

1. 手写算子实现与优化:实现并优化指定算子(GEMM/Conv/Attention/扩散采样等)的多种shape/dtype/layout 变体;结合tiling、数据复用与片上驻留策略开展微架构级调优，构建高性能算子库；
2. 性能验证与模板回流:编写算子单测、精度对比与性能 benchmark;将验证过的高性能tiling、数据复用 pattern 贡献为 codegen 参考模板,支撑"编译自动生成为主、手写兜底"策略。
3. 精度与变体覆盖:保障 FP16/FP32/INT8/INT4 等精度组合的数值正确性与性能达标;参与算子集覆盖路线中的子模块交付。
4. AI-Native 高效产出:熟练使用 LLM/Agent 生成算子变体候选、auto-tuning 脚本与测试用例,人工筛选合入;在明确分工下高产出、高质量交付。

1. 3 年以上高性能计算 / 算子优化经验;熟练掌握C/C++/Python,工程习惯良好,测试意识强。
2. 熟悉微架构级算子优化:理解 SIMD/张量核/DSA 等并行体系,能开展tiling、带宽/算力瓶颈分析与基础性能调优;在架构师指导下独立完成明确算子开发与调优。
3. 掌握常见深度学习算子语义(GEMM/Conv/Attention/Transformer、扩散采样等)与数值精度要求;具备算子单测、精度对齐与 benchmark 经验。
4. 熟练使用 AI 编程工具放大开发与调优产出;参与过 NPU/GPU/DSA 算子模块交付经验者优先。

【加分项】
1. 有 NPU/GPU 算子库或 cuDNN/CUTLASS/oneDNN类库研发经历;熟悉量化算子(INT8/INT4)实现。
2. 熟悉并参与过业界常见推理框架的算子级优化,如自定义算子接入、图融合后 kernel 调优等。
3. 熟悉具身智能相关算子(GEMM/Attention/扩散采样)特征;有 FlashAttention 等热点算子实现经验者优先。