AI研究算法工程师-大模型训练/推理Infra方向(J13367)

专注通用大模型的训练与推理全链路工程性能优化，攻坚底层技术瓶颈，极致挖掘算力潜力，打造稳定、可靠的工程底座支持算法持续创新迭代。

1. 01

   大规模分布式训练系统：攻坚万卡级集群下的通信优化、显存墙突破与计算协同调度，构建国产算力集群的深度适配与性能调优能力。

2. 02

   前沿RL后训练系统：构建强化学习高吞吐异步训推框架，优化PPO/GRPO/ReMax等算法工程流水线，设计AgentRL分布式环境交互系统，支撑RLVR/OPD等新算法快速迭代。

3. 03

   推理引擎全链路加速：深耕算子融合、KV Cache多级管理与调度优化、动态批处理调度、量化推理及长上下文推理优化，同时主导推理后端在国产芯片上的异构适配与SLA保障。

4. 04

   训推一体架构与算法协同：与算法团队深度耦合，设计训推一体工程架构，打通模型训练到推理部署的快速反馈闭环，前瞻探索MoE/Attention等新架构在分布式系统上的最佳落地路径。

1. 01

   本科及以上学历，计算机相关专业，具备扎实的计算机体系结构、操作系统、数据结构与算法基础。

2. 02

   精通 C++/Python，具备良好的工程代码能力；深入理解 Transformer 模型原理，熟悉 PyTorch 等深度学习框架底层执行机制。

3. 03

   满足至少一项核心实践经验： -有 DeepSpeed/Megatron-LM/VERL/SLIME 等分布式训练框架的调优与二次开发经验，熟悉多机多卡通信原理与显存优化方案。 -有 vLLM/SGLang/TensorRT-LLM 等推理框架的优化或二次开发经验，掌握 KV Cache、动态批处理、模型量化等核心推理技术。 -掌握 AscendC/CUDA/Triton/Tilang 等至少一种算子开发语言，有独立的高性能 GPU 算子开发与性能调优经验。 -对极致性能有追求，具备较强的系统瓶颈分析与问题定位能力。 加分项

4. 01

   有 MoE 模型训推优化、强化学习训练加速相关项目经验。

5. 02

   有主流开源训推框架的核心代码贡献经历。

6. 03

   有高性能计算领域竞赛获奖或顶会论文产出。

7. 04

   在 SC/ISC/ASC 等高性能计算赛事或 ICPC/NOI 等算法竞赛中取得优异成绩。

8. 05

   对技术有极致追求，习惯于从底层原理出发分析和解决系统性能问题。