主分类：AI训练推理与计算优化
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型训推性能优化工程师 - AI算力基础设施",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京、杭州、西安",
"work_mode": "未披露",AI生成
"job_category": "后端"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": "2027届获得本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、参与字节跳动大模型训练与推理全链路性能优化，聚焦千亿/万亿参数规模模型的训练吞吐、推理时延与资源效率提升；参与模型优化方向，LLM与多模态模型推理优化，包括混合精度量化（INT4、INT8、FP8）、稀疏化、Sparse Attention等稀疏注意力机制优化技术，平衡推理性能、模型精度与资源开销；参与主流训推框架（PyTorch、vLLM、SGLang等）与自研框架的适配、优化与二次开发，落地投机采样（Speculative Decoding）算法优化，优化专家路由策略与负载均衡机制，设计计算-通信精细化调度与重叠（Overlap）等方案，提升MOE架构模型推理吞吐量；\n2、参与通信优化方向：AI框架跨节点/集群通信性能攻坚，优化RDMA/TCP协议栈传输机制、低延迟序列化方案与通信拓扑设计，突破分布式场景下的通信瓶颈；\n3、参与计算优化方向：Transformer核心算子、卷积、矩阵乘加（GEMM）等AI核心算子优化，基于Triton/MLIR编译框架实现算子融合、向量化执行与编译优化；\n4、参与GPU/NPU等异构算力平台的性能建模、性能剖析与代码级调优，适配GPU CUDA/ROCm及国产AI芯片专用指令集，最大化硬件算力利用率；\n5、参与构建AI Infra性能Benchmark体系，形成量化性能标尺与竞争力评估模型。",
"requirements_text": "1、2027届获得本科及以上学历，计算机、软件工程、电子信息、微电子等相关专业优先；\n2、掌握扎实的计算机基础与算法功底，熟练掌握C/C++、Python、Go中的至少一种编程语言；\n3、了解LLM/VLM/AIGC等AI领域基础原理与典型模型架构，理解训练与推理的基本流程；\n4、有PyTorch等主流深度学习框架的使用经验，参与过模型训练、参数调优或框架组件的二次开发；\n5、对异构计算、高性能网络或存储IO的性能分析具备理论基础与研究兴趣，愿意深入钻研性能优化工具的原理；\n6、具备良好的沟通协作能力、学习能力与工程责任心。\n\n加分项\n1、具备CUDA/Triton等GPU编程经验，或熟悉TensorRT/CUTLASS等性能加速工具，理解其加速原理；\n2、在学术论文、课程设计或竞赛中涉及AI系统性能分析相关工作，如训练瓶颈定位、通信优化、并行策略、算子融合、量化与精度调优等；\n3、有开源社区贡献经历，参与过AI框架、推理引擎或性能优化工具的代码提交与维护；\n4、接触过模型量化、精度校准、并行训练、通信优化、投机采样、MOE路由等相关方向；\n5、关注国产AI加速卡技术生态，具备相关文献研究或实验环境下的应用测试经验；\n6、熟悉主流AI加速硬件（NVIDIA/AMD GPU、国产AI芯片）的架构特性，或使用过PyTorch Profiler、NVIDIA Nsight等性能分析工具。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"CUDA",
"深度学习",
"模型训练",
"性能优化",
"学习能力"
],
"preferred_qualifications": "1、2027届获得本科及以上学历，计算机、软件工程、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/campus/position/7664443138685667637/detail"
}
]
},
"posting": {
"posting_id": "7664443138685667637",
"post_date": "2026-07-20",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7664443138685667637/detail"
},
"fulltext": "大模型训推性能优化工程师 - AI算力基础设施\n职位描述\n团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、参与字节跳动大模型训练与推理全链路性能优化，聚焦千亿/万亿参数规模模型的训练吞吐、推理时延与资源效率提升；参与模型优化方向，LLM与多模态模型推理优化，包括混合精度量化（INT4、INT8、FP8）、稀疏化、Sparse Attention等稀疏注意力机制优化技术，平衡推理性能、模型精度与资源开销；参与主流训推框架（PyTorch、vLLM、SGLang等）与自研框架的适配、优化与二次开发，落地投机采样（Speculative Decoding）算法优化，优化专家路由策略与负载均衡机制，设计计算-通信精细化调度与重叠（Overlap）等方案，提升MOE架构模型推理吞吐量；\n2、参与通信优化方向：AI框架跨节点/集群通信性能攻坚，优化RDMA/TCP协议栈传输机制、低延迟序列化方案与通信拓扑设计，突破分布式场景下的通信瓶颈；\n3、参与计算优化方向：Transformer核心算子、卷积、矩阵乘加（GEMM）等AI核心算子优化，基于Triton/MLIR编译框架实现算子融合、向量化执行与编译优化；\n4、参与GPU/NPU等异构算力平台的性能建模、性能剖析与代码级调优，适配GPU CUDA/ROCm及国产AI芯片专用指令集，最大化硬件算力利用率；\n5、参与构建AI Infra性能Benchmark体系，形成量化性能标尺与竞争力评估模型。\n\n职位要求\n1、2027届获得本科及以上学历，计算机、软件工程、电子信息、微电子等相关专业优先；\n2、掌握扎实的计算机基础与算法功底，熟练掌握C/C++、Python、Go中的至少一种编程语言；\n3、了解LLM/VLM/AIGC等AI领域基础原理与典型模型架构，理解训练与推理的基本流程；\n4、有PyTorch等主流深度学习框架的使用经验，参与过模型训练、参数调优或框架组件的二次开发；\n5、对异构计算、高性能网络或存储IO的性能分析具备理论基础与研究兴趣，愿意深入钻研性能优化工具的原理；\n6、具备良好的沟通协作能力、学习能力与工程责任心。\n\n加分项\n1、具备CUDA/Triton等GPU编程经验，或熟悉TensorRT/CUTLASS等性能加速工具，理解其加速原理；\n2、在学术论文、课程设计或竞赛中涉及AI系统性能分析相关工作，如训练瓶颈定位、通信优化、并行策略、算子融合、量化与精度调优等；\n3、有开源社区贡献经历，参与过AI框架、推理引擎或性能优化工具的代码提交与维护；\n4、接触过模型量化、精度校准、并行训练、通信优化、投机采样、MOE路由等相关方向；\n5、关注国产AI加速卡技术生态，具备相关文献研究或实验环境下的应用测试经验；\n6、熟悉主流AI加速硬件（NVIDIA/AMD GPU、国产AI芯片）的架构特性，或使用过PyTorch Profiler、NVIDIA Nsight等性能分析工具。\n团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、参与字节跳动大模型训练与推理全链路性能优化，聚焦千亿/万亿参数规模模型的训练吞吐、推理时延与资源效率提升；参与模型优化方向，LLM与多模态模型推理优化，包括混合精度量化（INT4、INT8、FP8）、稀疏化、Sparse Attention等稀疏注意力机制优化技术，平衡推理性能、模型精度与资源开销；参与主流训推框架（PyTorch、vLLM、SGLang等）与自研框架的适配、优化与二次开发，落地投机采样（Speculative Decoding）算法优化，优化专家路由策略与负载均衡机制，设计计算-通信精细化调度与重叠（Overlap）等方案，提升MOE架构模型推理吞吐量；\n2、参与通信优化方向：AI框架跨节点/集群通信性能攻坚，优化RDMA/TCP协议栈传输机制、低延迟序列化方案与通信拓扑设计，突破分布式场景下的通信瓶颈；\n3、参与计算优化方向：Transformer核心算子、卷积、矩阵乘加（GEMM）等AI核心算子优化，基于Triton/MLIR编译框架实现算子融合、向量化执行与编译优化；\n4、参与GPU/NPU等异构算力平台的性能建模、性能剖析与代码级调优，适配GPU CUDA/ROCm及国产AI芯片专用指令集，最大化硬件算力利用率；\n5、参与构建AI Infra性能Benchmark体系，形成量化性能标尺与竞争力评估模型。\n1、2027届获得本科及以上学历，计算机、软件工程、电子信息、微电子等相关专业优先；\n2、掌握扎实的计算机基础与算法功底，熟练掌握C/C++、Python、Go中的至少一种编程语言；\n3、了解LLM/VLM/AIGC等AI领域基础原理与典型模型架构，理解训练与推理的基本流程；\n4、有PyTorch等主流深度学习框架的使用经验，参与过模型训练、参数调优或框架组件的二次开发；\n5、对异构计算、高性能网络或存储IO的性能分析具备理论基础与研究兴趣，愿意深入钻研性能优化工具的原理；\n6、具备良好的沟通协作能力、学习能力与工程责任心。\n\n加分项\n1、具备CUDA/Triton等GPU编程经验，或熟悉TensorRT/CUTLASS等性能加速工具，理解其加速原理；\n2、在学术论文、课程设计或竞赛中涉及AI系统性能分析相关工作，如训练瓶颈定位、通信优化、并行策略、算子融合、量化与精度调优等；\n3、有开源社区贡献经历，参与过AI框架、推理引擎或性能优化工具的代码提交与维护；\n4、接触过模型量化、精度校准、并行训练、通信优化、投机采样、MOE路由等相关方向；\n5、关注国产AI加速卡技术生态，具备相关文献研究或实验环境下的应用测试经验；\n6、熟悉主流AI加速硬件（NVIDIA/AMD GPU、国产AI芯片）的架构特性，或使用过PyTorch Profiler、NVIDIA Nsight等性能分析工具。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}