{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "高性能计算架构工程师 - AI for Science",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京、上海、深圳",
        "work_mode": "未披露",AI生成
        "job_category": "算法"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届获得硕士及以上学位",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、参与AI4S高性能计算框架与代码库的设计、开发和维护，设计实现训练、推理、数据处理、模型执行等基础模块，持续完善代码库的模块化、可测试性和可维护性，并与算法、科学计算及业务团队协作，将研究原型沉淀为可复用的工程框架和平台能力；\n2、参与机器学习力场模型训练与推理框架及LLM for Science等方向的模型基础设施建设，提升模型在单机、多卡及分布式环境下的运行效率和工程可用性，解决模型规模扩展、计算效率、稳定性及资源利用率等工程问题；\n3、参与分子动力学计算引擎的优化与改造，包括计算模块开发、接口设计、并行计算支持及与机器学习模型的集成。",
        "requirements_text": "1、2027届获得硕士及以上学位，计算机、软件工程、人工智能或相关专业优先；\n2、具备扎实的软件工程能力，能够参与较大规模代码库的开发、测试、文档建设和长期维护；\n3、熟悉PyTorch，具有深度学习模型训练或推理相关项目经验；参与过PyTorch、Megatron-LM、DeepSpeed、vLLM或类似训练、推理框架的开发或深度使用；具有分布式训练、模型训练框架、推理框架或AI Infra相关实践经验；具有多机多卡训练、通信优化、并行策略设计或分布式系统开发经验；\n4、具备较强的问题分析、调试和工程落地能力，能够定位并解决复杂系统中的性能、稳定性或可扩展性问题；\n5、对AI4S、高性能计算和科学计算方向有兴趣，愿意持续学习相关领域知识；具有机器学习力场、分子动力学、OpenMM、LAMMPS等AI4S或科学计算项目经验；对LLM for Science、科学智能基础设施等方向有实践或深入思考；具有CUDA、Triton、MPI、NCCL或其他高性能计算相关实践经验；具有C++、计算引擎、数值计算库或高性能计算代码库开发经验；\n6、参与过开源项目，具备代码贡献、模块维护或社区协作经验。",
        "skills": [AI生成
            "C++",
            "PyTorch",
            "CUDA",
            "机器学习",
            "深度学习",
            "分布式系统",
            "模型训练"
        ],
        "preferred_qualifications": "1、2027届获得硕士及以上学位，计算机、软件工程、人工智能或相关专业优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7666423410030102789/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7666423410030102789",
        "post_date": "2026-07-25",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7666423410030102789/detail"
    },
    "fulltext": "高性能计算架构工程师 - AI for Science\n职位描述\n团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、参与AI4S高性能计算框架与代码库的设计、开发和维护，设计实现训练、推理、数据处理、模型执行等基础模块，持续完善代码库的模块化、可测试性和可维护性，并与算法、科学计算及业务团队协作，将研究原型沉淀为可复用的工程框架和平台能力；\n2、参与机器学习力场模型训练与推理框架及LLM for Science等方向的模型基础设施建设，提升模型在单机、多卡及分布式环境下的运行效率和工程可用性，解决模型规模扩展、计算效率、稳定性及资源利用率等工程问题；\n3、参与分子动力学计算引擎的优化与改造，包括计算模块开发、接口设计、并行计算支持及与机器学习模型的集成。\n\n职位要求\n1、2027届获得硕士及以上学位，计算机、软件工程、人工智能或相关专业优先；\n2、具备扎实的软件工程能力，能够参与较大规模代码库的开发、测试、文档建设和长期维护；\n3、熟悉PyTorch，具有深度学习模型训练或推理相关项目经验；参与过PyTorch、Megatron-LM、DeepSpeed、vLLM或类似训练、推理框架的开发或深度使用；具有分布式训练、模型训练框架、推理框架或AI Infra相关实践经验；具有多机多卡训练、通信优化、并行策略设计或分布式系统开发经验；\n4、具备较强的问题分析、调试和工程落地能力，能够定位并解决复杂系统中的性能、稳定性或可扩展性问题；\n5、对AI4S、高性能计算和科学计算方向有兴趣，愿意持续学习相关领域知识；具有机器学习力场、分子动力学、OpenMM、LAMMPS等AI4S或科学计算项目经验；对LLM for Science、科学智能基础设施等方向有实践或深入思考；具有CUDA、Triton、MPI、NCCL或其他高性能计算相关实践经验；具有C++、计算引擎、数值计算库或高性能计算代码库开发经验；\n6、参与过开源项目，具备代码贡献、模块维护或社区协作经验。\n团队介绍：AI for Science 团队专注于科学计算与物质发现领域的前瞻技术探索，围绕生物和材料领域基础模型、量子化学、AI分子动力学、高通量实验技术等方向，用 AI 推动科学领域的研究范式突破，也在实际应用场景中创造价值。我们希望用 AI 赋能科学，探索 AI 在科研领域的变革，拓展人类认知边界！\n\n1、参与AI4S高性能计算框架与代码库的设计、开发和维护，设计实现训练、推理、数据处理、模型执行等基础模块，持续完善代码库的模块化、可测试性和可维护性，并与算法、科学计算及业务团队协作，将研究原型沉淀为可复用的工程框架和平台能力；\n2、参与机器学习力场模型训练与推理框架及LLM for Science等方向的模型基础设施建设，提升模型在单机、多卡及分布式环境下的运行效率和工程可用性，解决模型规模扩展、计算效率、稳定性及资源利用率等工程问题；\n3、参与分子动力学计算引擎的优化与改造，包括计算模块开发、接口设计、并行计算支持及与机器学习模型的集成。\n1、2027届获得硕士及以上学位，计算机、软件工程、人工智能或相关专业优先；\n2、具备扎实的软件工程能力，能够参与较大规模代码库的开发、测试、文档建设和长期维护；\n3、熟悉PyTorch，具有深度学习模型训练或推理相关项目经验；参与过PyTorch、Megatron-LM、DeepSpeed、vLLM或类似训练、推理框架的开发或深度使用；具有分布式训练、模型训练框架、推理框架或AI Infra相关实践经验；具有多机多卡训练、通信优化、并行策略设计或分布式系统开发经验；\n4、具备较强的问题分析、调试和工程落地能力，能够定位并解决复杂系统中的性能、稳定性或可扩展性问题；\n5、对AI4S、高性能计算和科学计算方向有兴趣，愿意持续学习相关领域知识；具有机器学习力场、分子动力学、OpenMM、LAMMPS等AI4S或科学计算项目经验；对LLM for Science、科学智能基础设施等方向有实践或深入思考；具有CUDA、Triton、MPI、NCCL或其他高性能计算相关实践经验；具有C++、计算引擎、数值计算库或高性能计算代码库开发经验；\n6、参与过开源项目，具备代码贡献、模块维护或社区协作经验。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}