岗位描述
给 AI 找到最合适的"跑场"。你将深度参与 AI 计算盒子等智能硬件从原理图到量产的全流程测试——既要读懂大模型推理、会评性能，又要读懂硬件架构、玩转示波器，成为软硬兼备的 AI 评测全手。 1. 参与大模型在硬件平台上的推理评测：基于 llama.cpp / vLLM / SGLang / Ollama / TensorRT-LLM 等推理框架完成模型部署与推理调优，围绕首 token 时延、吞吐（tokens/s）、显存占用、并发能力等指标，评测不同模型（不同参数量、量化格式、精度）在不同 SoC / 算力等级硬件上的真实数据表现，输出横评结论与选型建议； 2. 参与硬件架构验证与测试方案设计：从硬件架构视角（CPU/GPU/NPU 算力拓扑、内存带宽、PCIe 通道、供电与散热设计）分析可测性问题，结合原理图设计测试用例与测试流程，输出标准化测试报告； 3. 参与硬件功能与性能测试：负责 AI 计算盒子等硬件产品的各类性能指标测试（功耗、温升、接口、信号完整性、稳定性等），搭建并维护测试环境； 4. 问题定位与闭环：使用示波器、逻辑分析仪、万用表等仪器定位硬件异常与失效案例，结合推理压测数据判断瓶颈究竟在算力、带宽还是散热，推动问题归因、修复与回归验证。 1. 2027 届及以后的在读本科/硕士/博士，电子信息工程、通信工程、自动化、微电子科学与工程、集成电路设计与集成系统、电子信息科学与技术、测控技术与仪器、机械电子工程、机器人工程、计算机科学与技术、人工智能等相关专业（其他理工科能证明硬件动手能力即可）； 2. 有大模型推理相关经验：动手部署或运行过开源大模型（Llama / Qwen / DeepSeek 等），了解 Transformer 基本结构、量化（INT4/INT8/FP16）与显存占用估算，理解 prefill / decode 两阶段差异及影响推理速度的关键因素； 3. 了解硬件架构：理解 AI 计算盒子的典型硬件架构，清楚 CPU / GPU / NPU 的分工与协同、内存层级与带宽、PCIe 互联、供电与散热设计对性能的实际影响，能看懂原理图并与硬件工程师用共同语言讨论问题； 4. 会动手测硬件：能熟练使用示波器、逻辑分析仪、万用表等测试仪器，独立完成一款硬件产品的功能与性能指标测试； 5. 懂 AI 大模型与评测体系：了解市面上先进 AI 大模型的发展情况与技术趋势，能够看懂并使用过 AI Benchmark 等各大评测榜单，理解模型的数据表现与排名含义，对"模型跑在不同硬件上表现差在哪"有真实的好奇心； 6. 深度使用过 AI 工具 / 高级 Agent：日常使用 Codex / Claude Code / Cursor / Copilot 等任一 AI 编程或 Agent 工具辅助学习与开发，具备 AI-first 思维方式，并能举例说出自己的用法； 7. 能把做过的项目讲清楚：清楚自己做过的测试或硬件项目为什么这么做，遇到过什么问题，是如何定位并解决的； 8. 有推理性能调优经历者优先：量化部署、KV Cache 优化、批处理调优、多卡/多芯切分，或做过端侧推理加速（TensorRT / OpenVINO / NPU 工具链）并给出过量化对比数据； 9. 有嵌入式开发板实操经验者优先：玩过 Jetson Nano / Orin、RK3588、树莓派、STM32 等开发板，或自己搭过边缘计算盒子； 10. 做过模型评测 / Benchmark者优先：跑过 llama.cpp / vLLM / SGLang / Ollama 等推理框架，对比过不同模型在不同硬件上的性能数据，或复现过 MMLU、C-Eval 等主流评测集； 11. 有机器人相关项目或竞赛经历者优先：参加过 RoboMaster / 智能车等机器人竞赛，或用过 ROS 做过机器人、机械臂、无人机的感知 / 控制 / 调试相关项目； 12. 有 Python / Shell 脚本能力者优先：能写自动化测试脚本，把重复测试工作交给程序； 13. 参加过电子设计竞赛（全国大学生电子设计竞赛 / 集创赛等）并获奖者优先； 14. 有硬件产品测试 / 研发实习经历，或有持续维护的个人项目 / 技术博客（如 GitHub）者优先。