{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI for Science性能优化工程师-Seed",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京",
        "work_mode": "未披露",AI生成
        "job_category": "基础架构"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": 3,
        "degree": "硕士学位及以上",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、负责AI4S模型（如MLFF、Cofolding等）的训练与推理性能优化，提升模型吞吐、资源利用率和整体计算效率；\n2、基于PyTorch、CUDA、Triton等技术栈，分析和解决模型训练、推理过程中的性能瓶颈；\n3、利用Torch.Compile、编译优化及算子融合等技术，持续提升模型执行效率和GPU利用率；\n4、建立性能分析与Benchmark体系，使用Profiling工具定位系统热点并推动优化方案落地；\n5、与算法、平台及科学计算团队紧密协作，共同推动AI4S模型和基础设施的性能演进。",
        "requirements_text": "1、硕士学位及以上，计算机、软件工程、数学、物理等相关专业，3年以上AI系统性能优化工作经验；\n2、熟练掌握Python和C++，具备扎实的软件工程能力和良好的编码习惯；\n3、熟悉PyTorch训练与推理流程，具备模型性能优化的实际项目经验；\n4、熟悉CUDA编程、GPU体系结构及性能分析工具（Nsight Systems、Nsight Compute、PyTorch Profiler等），能够独立完成性能瓶颈定位与优化；\n5、具备Triton、Torch.Compile、分布式训练（FSDP、DeepSpeed等）相关经验，有训练加速、推理加速或GPU Kernel优化项目经验者优先。\n\n加分项\n1、具备CUDA Kernel开发或编译优化相关经验；\n2、熟悉TorchInductor、TensorRT、XLA、TVM等技术；\n3、具有大模型、科学计算或AI4S相关工作负载的性能优化经验。",
        "skills": [AI生成
            "Python",
            "C++",
            "PyTorch",
            "CUDA",
            "性能优化",
            "大语言模型"
        ],
        "preferred_qualifications": "5、具备Triton、Torch.Compile、分布式训练（FSDP、DeepSpeed等）相关经验，有训练加速、推理加速或GPU Kernel优化项目经验者优先；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/7652018471010011397/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7652018471010011397",
        "post_date": "2026-06-16",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/experienced/position/7652018471010011397/detail"
    },
    "fulltext": "AI for Science性能优化工程师-Seed\n职位描述\n1、负责AI4S模型（如MLFF、Cofolding等）的训练与推理性能优化，提升模型吞吐、资源利用率和整体计算效率；\n2、基于PyTorch、CUDA、Triton等技术栈，分析和解决模型训练、推理过程中的性能瓶颈；\n3、利用Torch.Compile、编译优化及算子融合等技术，持续提升模型执行效率和GPU利用率；\n4、建立性能分析与Benchmark体系，使用Profiling工具定位系统热点并推动优化方案落地；\n5、与算法、平台及科学计算团队紧密协作，共同推动AI4S模型和基础设施的性能演进。\n\n职位要求\n1、硕士学位及以上，计算机、软件工程、数学、物理等相关专业，3年以上AI系统性能优化工作经验；\n2、熟练掌握Python和C++，具备扎实的软件工程能力和良好的编码习惯；\n3、熟悉PyTorch训练与推理流程，具备模型性能优化的实际项目经验；\n4、熟悉CUDA编程、GPU体系结构及性能分析工具（Nsight Systems、Nsight Compute、PyTorch Profiler等），能够独立完成性能瓶颈定位与优化；\n5、具备Triton、Torch.Compile、分布式训练（FSDP、DeepSpeed等）相关经验，有训练加速、推理加速或GPU Kernel优化项目经验者优先。\n\n加分项\n1、具备CUDA Kernel开发或编译优化相关经验；\n2、熟悉TorchInductor、TensorRT、XLA、TVM等技术；\n3、具有大模型、科学计算或AI4S相关工作负载的性能优化经验。\n1、负责AI4S模型（如MLFF、Cofolding等）的训练与推理性能优化，提升模型吞吐、资源利用率和整体计算效率；\n2、基于PyTorch、CUDA、Triton等技术栈，分析和解决模型训练、推理过程中的性能瓶颈；\n3、利用Torch.Compile、编译优化及算子融合等技术，持续提升模型执行效率和GPU利用率；\n4、建立性能分析与Benchmark体系，使用Profiling工具定位系统热点并推动优化方案落地；\n5、与算法、平台及科学计算团队紧密协作，共同推动AI4S模型和基础设施的性能演进。\n1、硕士学位及以上，计算机、软件工程、数学、物理等相关专业，3年以上AI系统性能优化工作经验；\n2、熟练掌握Python和C++，具备扎实的软件工程能力和良好的编码习惯；\n3、熟悉PyTorch训练与推理流程，具备模型性能优化的实际项目经验；\n4、熟悉CUDA编程、GPU体系结构及性能分析工具（Nsight Systems、Nsight Compute、PyTorch Profiler等），能够独立完成性能瓶颈定位与优化；\n5、具备Triton、Torch.Compile、分布式训练（FSDP、DeepSpeed等）相关经验，有训练加速、推理加速或GPU Kernel优化项目经验者优先。\n\n加分项\n1、具备CUDA Kernel开发或编译优化相关经验；\n2、熟悉TorchInductor、TensorRT、XLA、TVM等技术；\n3、具有大模型、科学计算或AI4S相关工作负载的性能优化经验。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}