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）及混合架构（如我们 Qwen3.5 的 GDN + Full-Attention hybrid）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 / 自学习的“改哪里、为什么安全”证据，支持 fail-closed 审计。

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

• ▸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。