{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI异构硬件训练优化专家-Seed",
        "job_level": "专家",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "上海",
        "work_mode": "未披露",AI生成
        "job_category": "机器学习"AI生成
    },
    "company": {
        "company_name": "字节跳动",
        "company_industry": "互联网 / 数字内容 / 电商",
        "company_size": "10000人以上",
        "company_website": "bytedance.com",
        "company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、该岗位面向超大规模AI加速卡集群，负责豆包Seed自研LLM模型训练任务的性能优化与稳定性建设，深度参与训练框架、通信链路、算子库和集群调度等核心环节，支撑万卡规模训练任务高效、稳定运行；\n2、训练框架优化：优化数据并行、张量并行、流水并行、专家并行和混合并行策略，提升端到端训练吞吐与扩展效率；\n3、集群性能与稳定性：围绕计算、通信、显存、调度、Checkpoint、容错恢复等链路，解决静默数据错误、网络抖动、通信瓶颈和异常定位问题；\n4、软硬件协同优化：推动训练框架、算子库、通信网络、编译栈和计算架构协同，使超大规模AI加速卡集群稳定承载LLM训练。",
        "requirements_text": "1、计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、熟悉Linux环境下的C、C++或Python，具备扎实的编程能力和工程习惯；\n3、熟悉计算机体系结构、芯片微架构、高性能计算、分布式系统、并行计算中的至少一个方向；\n4、了解PyTorch、Megatron、DeepSpeed、FSDP、TorchTitan等训练框架或分布式训练系统中的至少一种；\n5、关注训练中的吞吐、显存、通信、扩展效率、任务稳定性和异常定位问题。\n\n加分项：\n1、有GPU、NPU集群LLM训练优化、分布式训练框架、通信库优化经验；\n2、熟悉NCCL、HCCL、RDMA、RoCE、集合通信、通信计算融合或网络性能分析；\n3、了解MoE训练、混合精度训练、ZeRO、Checkpoint优化、容错恢复、长周期稳定训练相关技术；\n4、有静默数据错误定位、硬件故障分析、集群稳定性建设、训练任务调优经验；\n5、有OI/ACM、HPC竞赛、系统竞赛、科研项目或开源项目经历。",
        "skills": [AI生成
            "Python",
            "C++",
            "Linux",
            "PyTorch",
            "分布式系统"
        ],
        "preferred_qualifications": "1、计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；加分项：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/experienced/position/7647080807022692661/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7647080807022692661",
        "post_date": "2026-06-03",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/experienced/position/7647080807022692661/detail"
    },
    "fulltext": "AI异构硬件训练优化专家-Seed\n职位描述\n团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、该岗位面向超大规模AI加速卡集群，负责豆包Seed自研LLM模型训练任务的性能优化与稳定性建设，深度参与训练框架、通信链路、算子库和集群调度等核心环节，支撑万卡规模训练任务高效、稳定运行；\n2、训练框架优化：优化数据并行、张量并行、流水并行、专家并行和混合并行策略，提升端到端训练吞吐与扩展效率；\n3、集群性能与稳定性：围绕计算、通信、显存、调度、Checkpoint、容错恢复等链路，解决静默数据错误、网络抖动、通信瓶颈和异常定位问题；\n4、软硬件协同优化：推动训练框架、算子库、通信网络、编译栈和计算架构协同，使超大规模AI加速卡集群稳定承载LLM训练。\n\n职位要求\n1、计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、熟悉Linux环境下的C、C++或Python，具备扎实的编程能力和工程习惯；\n3、熟悉计算机体系结构、芯片微架构、高性能计算、分布式系统、并行计算中的至少一个方向；\n4、了解PyTorch、Megatron、DeepSpeed、FSDP、TorchTitan等训练框架或分布式训练系统中的至少一种；\n5、关注训练中的吞吐、显存、通信、扩展效率、任务稳定性和异常定位问题。\n\n加分项：\n1、有GPU、NPU集群LLM训练优化、分布式训练框架、通信库优化经验；\n2、熟悉NCCL、HCCL、RDMA、RoCE、集合通信、通信计算融合或网络性能分析；\n3、了解MoE训练、混合精度训练、ZeRO、Checkpoint优化、容错恢复、长周期稳定训练相关技术；\n4、有静默数据错误定位、硬件故障分析、集群稳定性建设、训练任务调优经验；\n5、有OI/ACM、HPC竞赛、系统竞赛、科研项目或开源项目经历。\n团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、该岗位面向超大规模AI加速卡集群，负责豆包Seed自研LLM模型训练任务的性能优化与稳定性建设，深度参与训练框架、通信链路、算子库和集群调度等核心环节，支撑万卡规模训练任务高效、稳定运行；\n2、训练框架优化：优化数据并行、张量并行、流水并行、专家并行和混合并行策略，提升端到端训练吞吐与扩展效率；\n3、集群性能与稳定性：围绕计算、通信、显存、调度、Checkpoint、容错恢复等链路，解决静默数据错误、网络抖动、通信瓶颈和异常定位问题；\n4、软硬件协同优化：推动训练框架、算子库、通信网络、编译栈和计算架构协同，使超大规模AI加速卡集群稳定承载LLM训练。\n1、计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、熟悉Linux环境下的C、C++或Python，具备扎实的编程能力和工程习惯；\n3、熟悉计算机体系结构、芯片微架构、高性能计算、分布式系统、并行计算中的至少一个方向；\n4、了解PyTorch、Megatron、DeepSpeed、FSDP、TorchTitan等训练框架或分布式训练系统中的至少一种；\n5、关注训练中的吞吐、显存、通信、扩展效率、任务稳定性和异常定位问题。\n\n加分项：\n1、有GPU、NPU集群LLM训练优化、分布式训练框架、通信库优化经验；\n2、熟悉NCCL、HCCL、RDMA、RoCE、集合通信、通信计算融合或网络性能分析；\n3、了解MoE训练、混合精度训练、ZeRO、Checkpoint优化、容错恢复、长周期稳定训练相关技术；\n4、有静默数据错误定位、硬件故障分析、集群稳定性建设、训练任务调优经验；\n5、有OI/ACM、HPC竞赛、系统竞赛、科研项目或开源项目经历。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}