1、训练后模型压缩(Post-Training Compression)，训练后量化(PTQ)是被验证有效且相对易用的模型压缩技术，可以探索将类似方法拓展应用至稀疏、更低比特量化、混合精度等更多情况；
2、参数高效(Parameter-Efficient)压缩训练，在大模型上进行全量参数的微调训练对算力资源有很高要求，叠加模型压缩引入的额外参数，会进一步增大算力资源开销，降低可训练参数或者进行高效的参数初始化，是提升压缩训练效率的重要因素。

职位要求
1、熟悉深度学习基本原理、主流深度学习算法及应用、以及至少一种主流框架(PyTorch、TensorFlow等)；
2、熟悉至少一类主流模型压缩算法(例如量化、剪枝、网络结构搜索等)，并在研究或实习项目中有相应的实践经历；
3、具备扎实的计算机基础知识、C++/Python编程能力，熟悉常见数据结构和设计模式；
4、具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。
【加分项】
1、有很强的学术研究能力和优秀的学术成果(AI领域顶会/顶刊论文)；
2、熟悉体系结构，并有扎实的高性能计算/AI编译器/推理框架/模型优化经验；
3、作为核心贡献者参与开发或者负责维护AI领域的流行开源项目。