算法工程师 (高性能计算与大模型推理优化方向)

我们正在寻找一位对技术充满好奇心、渴望探索未知领域的算法工程师加入我们的团队。在这个岗位上，你将不再局限于应用层的模型调参，而是深入到从模型框架到底层硬件的完整调用链路中。你将负责剖析、优化并构建高性能的大模型推理与训练系统，同时为顶尖客户提供深度的技术支持。如果你热衷于探究 torch 乃至 cuda 底层的运行机制，并乐于解决复杂的工程难题，这里将是你施展才华的最佳舞台。

核心职责 (Key Responsibilities)

• 全链路性能优化与研究（核心重点）：
• 深入研究并优化从上层框架（vLLM/Sglang）到 PyTorch，再到 CUDA/NCCL 以及底层硬件（GPU/网络互联）的完整调用链路。
• 针对大模型推理和分布式训练场景，搭建性能理论模型（Performance Modeling），识别系统瓶颈。
• 设计并实现精细化的性能监控系统，量化分析算力利用率（MFU/HFU）及通信开销。
• 深度技术支持与问题排查：
• 协助客户定位主流开源代码在推理或训练过程中遇到的复杂 Bug。
• 排查分布式环境下的机器故障（软硬件结合问题），保障集群稳定性。
• 为客户提供定制化的性能优化与加速方案，提升模型落地效率。
• 模型复现与微调实践：
• 基于 PyTorch 等框架，从零搭建或深度定制经典及前沿模型（如 Transformer 架构、Stable Diffusion、YOLO 等）。
• 负责相关模型的微调（Fine-tuning）与适配工作，验证优化策略的有效性。
• 教育背景：
• 计算机科学、人工智能、计算机视觉、机器学习或相关领域的硕士或博士学位。
• 技术栈要求：
• 框架经验： 熟练掌握并实际使用过至少 2 种以上主流的模型推理或分布式训练框架（例如：vLLM, Sglang, Accelerate, Megatron-LM, DeepSpeed 等）。
• 编码与实现： 精通 Python/C++，具备扎实的 PyTorch 功底。必须具备从模型搭建开始实现 ResNet 或更先进模型（如 Transformer 系列、YOLO、Stable Diffusion）训练或微调的实际动手经验。
• 软性素质：
• 拥有极强的好奇心与探索欲，不满足于“知其然”，更追求“知其所以然”。
• 习惯挑战未知领域，具备在文档缺失或技术前沿地带独立解决问题的能力。
• 具备良好的沟通能力，能够清晰地向客户解释复杂的技术问题。

加分项 (Preferred Qualifications)

• 有高性能计算（HPC）、CUDA 算子编写或优化经验者优先。
• 熟悉 GPU 硬件架构（如 NVIDIA Ampere/Hopper）及互联技术（NVLink/InfiniBand）者优先。
• 有大规模分布式训练集群运维或性能调优工作经验者优先。
• 在 GitHub 上有高质量开源项目贡献，或在相关技术社区活跃者优先。
• 为什么加入我们？
• 硬核技术挑战： 你将直接面对大模型时代最核心的算力效率问题，工作内容极具技术深度。
• 全栈视野： 这是一个难得的机会，让你打通从算法应用到底层硬件的“任督二脉”，成为真正的全栈优化专家。
• 成长空间： 与一群同样充满好奇心和极客精神的伙伴共事，共同探索 AI 基础设施的边界。