让 AI 运行在
每一台设备上

我们希望你

• ▸拥有工程背景
• ▸深刻理解边缘 AI 格局——云端与端侧的权衡、隐私优先设计、以用户为中心的 AI
• ▸热爱阅读——持续关注 AI 研究和行业趋势
• ▸至少阅读过 30 篇 AI 论文（1998 年以后出生的需要 100+ 篇）
• ▸能将前沿研究转化为实际产品路线图
• ▸热衷于让 AI 变得可及、私密、对所有人免费

技术栈

工作方向

• ▸模型架构研究：不止 Transformer——深入剖析线性注意力 / 状态空间 / 现代 RNN 架构（RWKV、Mamba / Mamba-2、RetNet、GDN 门控增量网络）及注意力-循环混合架构的内部信息流，厘清 attention head / MLP / residual stream 与循环状态 / SSM 隐状态各自承担的功能角色。
• ▸电路可解释性（mechanistic）：定位并逆向工程模型内部的功能“电路”，用 activation patching、causal tracing、稀疏自编码器（SAE）把行为归因到具体权重与特征。
• ▸推理可解释性：研究多步推理 / chain-of-thought 的内部表征，理解事实回忆、工具调用、拒答等行为的触发机制，为可信端侧推理提供依据。
• ▸高维表征空间探索：探索激活 / 权重高维空间中特征的几何结构（叠加、线性可分方向、steering vector），支撑靠隐状态编辑而非 prompt 拼接实现个性化。
• ▸落地端侧个性化：把可解释性结论转化为 Neural Imprint 个性化的“改哪里、为什么安全”证据，并以安全校验把关上线。

理想经验

• ▸扎实的深度学习与线性代数 / 概率基础，能读懂并复现前沿论文。
• ▸有 mechanistic interpretability 实践：activation patching、稀疏自编码器（SAE）、logit lens、causal tracing 等。
• ▸熟悉 Transformer 以及线性注意力 / 状态空间 / RNN 架构（RWKV、Mamba、RetNet、GDN 等）的内部机制；理解循环状态 / SSM 隐状态与注意力在信息路由上的差异。
• ▸具备高维数据分析与可视化能力（降维、probing、特征聚类）。
• ▸有开源贡献或已发表可解释性 / 表征学习相关研究成果。

我们希望你

• ▸对“打开黑箱”有强烈好奇心，享受把模糊现象拆成可验证机制的过程。
• ▸愿意把研究结论转化为可落地的端侧能力，而不止步于论文。

技术栈

工作方向

• ▸跨设备推理拓扑与智能路由：用 Bonjour / mDNS 发现用户的设备群，按任务复杂度与各节点实时算力 / 内存 / 热 / 电状态，把推理路由到最合适的节点（手机做感官、笔记本做四肢、桌面工作站做大脑），用户无感。
• ▸跨节点状态迁移与重构：会话在设备间流转时，权衡「传输 KV 张量 vs 在目标节点重算 prefill」，用共享前缀增量重建；同时处理现代混合架构的多种异构状态。
• ▸跨芯片生态适配（路线目标）：设计运行时中立的状态描述与能力分层，让同一套 Edge Mesh 协议未来可对接 MLX / Metal、llama.cpp / GGUF、ONNX Runtime / ExecuTorch，以及高通 Hexagon NPU / QNN、华为达芬奇 NPU / CANN、联发科 APU 等后端；对 CoreML / ANE 这类不暴露 KV 的黑盒后端明确降级模式（重算 prefill / 整段 offload）。Apple 设备群是第一验证场，非 Apple 后端需要逐一 bring-up 与真机验证。
• ▸分布式推理技术：探索并落地跨设备 speculative decoding（小模型草稿、大模型校验，容忍跨芯片数值发散），以及 pipeline / tensor 并行，把单机装不下的模型切分到多台设备。
• ▸可靠性、隐私与审计：处理节点中途加入 / 掉线（手机走出 Wi-Fi）时的会话 failover、优雅降级和权威会话状态归属；所有跨节点传输加密，按 namespace / sensitivity 隔离，并可审计地记录哪个节点产出了哪个 token。

理想经验

• ▸扎实的推理引擎与模型内部理解：KV cache、注意力 vs 循环状态、量化数值行为，能读懂并修改内核级实现。
• ▸多运行时经验：至少 MLX 加上 llama.cpp / GGUF、ONNX Runtime 或 QNN 之一；了解至少一种 NPU 栈（高通 Hexagon NPU / 华为达芬奇 NPU / 联发科 APU）。
• ▸分布式系统功底：服务发现、RPC / 流式协议、一致性、failover、低延迟本地网络。
• ▸端侧系统与内存约束：带宽 / 内存 / 热 / 功耗 profiling，资源受限设备上的性能优化。
• ▸加分项：MLX Metal 并发 / 线程安全经验、跨语言（Swift ↔ C++）张量序列化、端侧加密传输。

我们希望你

• ▸相信用户自己的设备群可以替代云算力，享受把「跨设备协同跑一个大模型」从不可能做到用户无感的过程。
• ▸坚持在真实设备上实测到底，不满足于仿真或纸面推理。

技术栈

工作方向

• ▸模型压缩：量化（FP16→INT8→INT4）、结构化/非结构化剪枝和知识蒸馏。
• ▸设计针对边缘部署优化的高效模型架构（1B–4B 参数）。
• ▸在消费级硬件（Apple Silicon、Snapdragon 等）上进行推理性能基准测试。
• ▸复现和改进深度学习文献中的最先进方法。
• ▸发表研究成果并为开源项目做贡献。

理想经验

• ▸深入理解 Transformer 架构和大语言模型。
• ▸具有模型压缩技术的实践经验（量化、剪枝、蒸馏）。
• ▸熟悉高效架构：MobileLLM、Phi、Gemma 等。
• ▸资源受限设备上的性能分析和优化。
• ▸有开源贡献记录或已发表研究成果。

技术栈

工作方向

• ▸构建内部研究工具、基准测试仪表盘和模型评估平台。
• ▸开发和维护 AtomGradient 的网站和文档站点。
• ▸为开源社区创建面向开发者的工具。
• ▸从后端服务到前端界面的端到端应用开发。

理想经验

• ▸使用 React 和 TypeScript 构建专业级 Web 应用。
• ▸使用 Rust 或 Python 进行后端服务开发。
• ▸有开发者工具、文档系统或开源项目基础设施的经验。
• ▸部署和监控生产级 Web 应用。
• ▸对 AI/ML 和开发者体验有兴趣。