{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "企业微信-大模型训练框架开发工程师-AI Infra（成都/北京）",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "WXG",
        "location": "广州",
        "work_mode": "未披露",AI生成
        "job_category": "技术"AI生成
    },
    "company": {
        "company_name": "腾讯",
        "company_industry": "互联网 / 科技 / 人工智能",
        "company_size": "10000人以上",
        "company_website": "tencent.com",
        "company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 3,
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1.负责大模型训练/推理场景下的性能分析与优化，重点优化 NVIDIA GPU 及 国产芯片 的计算、显存、通信和调度瓶颈；\r\n2.负责 CUDA / Triton / C++ 高性能算子开发与优化，包括 GEMM、Attention、MoE、KV Cache、通信融合等方向；\r\n3.负责多卡、多机训练/推理性能调优，优化 NCCL、NVLink、NVSwitch、InfiniBand/RDMA 等通信链路；\r\n4.负责基于 NVIDIA GPU 和 国产芯加速卡 的性能调优，提升 GPU 利用率、吞吐、延迟和显存效率；\r\n5.负责 PyTorch、TensorRT-LLM、vLLM、SGLang、Megatron-LM 等框架下的大模型性能优化落地；\r\n6.结合 Nsight Systems、Nsight Compute、CUDA Profiler 等工具进行性能分析，定位并解决性能瓶颈。",
        "requirements_text": "1.熟悉 C/C++、CUDA 或 Triton 编程，有 GPU 算子开发或性能优化经验；\r\n2.熟悉 NVIDIA GPU 架构，理解 SM、Warp、Tensor Core、Shared Memory、Memory Coalescing、Occupancy 等概念；\r\n3.熟悉大模型训练或推理流程，了解 Attention、GEMM、MoE、KV Cache、并行策略等核心模块；\r\n4.熟悉分布式训练/推理优化，理解 TP、PP、DP、EP、NCCL、RDMA 等技术；\r\n5.有实际 profiling 和性能调优经验，能够通过工具定位瓶颈并给出优化方案；\r\n6.有 NVIDIA GPU 或 国产加速卡 实际优化经验者优先；\r\n7.不要求候选人覆盖 AI 全栈所有方向，只要在大模型训练/推理、GPU 算子优化、分布式通信、性能调优、推理框架等任一方向有较深入理解和实践经验，均欢迎投递。",
        "skills": [AI生成
            "C++",
            "CUDA",
            "模型训练",
            "性能优化",
            "性能调优",
            "大语言模型",
            "C语言"
        ],
        "preferred_qualifications": "1.有 FlashAttention、GEMM、MoE、通信算子、KV Cache 管理等优化经验；\r\n2.有大规模训练或推理集群优化经验，参与过百卡、千卡级任务优先；\r\n3.有 TensorRT-LLM、vLLM、SGLang、Megatron-LM、DeepSpeed 等框架经验；\r\n4.有国产 AI 芯片适配或优化经验者加分；\r\n5.熟悉 GPU 通信拓扑、NVLink/NVSwitch/IB 网络优化者优先。",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://careers.tencent.com/jobdesc.html?postId=1976128424510644224"
            }
        ]
    },
    "posting": {
        "posting_id": "1976128424510644224",
        "post_date": "2026-09-11",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://careers.tencent.com/jobdesc.html?postId=1976128424510644224"
    },
    "fulltext": "企业微信-大模型训练框架开发工程师-AI Infra（成都/北京）\n在腾讯，后台开发工程师不仅是“又快又稳”的问题解决专家，更是生态共创者。你将与技术团队一同沉淀优质代码，让它成为我们共有的宝贵资产。在不同的业务场景和技术发展阶段，你的架构思维也将帮助更多协作团队拓展新的思考。我们也珍视你的挑战精神，同时欢迎你一起参与团队愿景、文化和产品方向的探讨。\n1.负责大模型训练/推理场景下的性能分析与优化，重点优化 NVIDIA GPU 及 国产芯片 的计算、显存、通信和调度瓶颈；\r\n2.负责 CUDA / Triton / C++ 高性能算子开发与优化，包括 GEMM、Attention、MoE、KV Cache、通信融合等方向；\r\n3.负责多卡、多机训练/推理性能调优，优化 NCCL、NVLink、NVSwitch、InfiniBand/RDMA 等通信链路；\r\n4.负责基于 NVIDIA GPU 和 国产芯加速卡 的性能调优，提升 GPU 利用率、吞吐、延迟和显存效率；\r\n5.负责 PyTorch、TensorRT-LLM、vLLM、SGLang、Megatron-LM 等框架下的大模型性能优化落地；\r\n6.结合 Nsight Systems、Nsight Compute、CUDA Profiler 等工具进行性能分析，定位并解决性能瓶颈。\n1.熟悉 C/C++、CUDA 或 Triton 编程，有 GPU 算子开发或性能优化经验；\r\n2.熟悉 NVIDIA GPU 架构，理解 SM、Warp、Tensor Core、Shared Memory、Memory Coalescing、Occupancy 等概念；\r\n3.熟悉大模型训练或推理流程，了解 Attention、GEMM、MoE、KV Cache、并行策略等核心模块；\r\n4.熟悉分布式训练/推理优化，理解 TP、PP、DP、EP、NCCL、RDMA 等技术；\r\n5.有实际 profiling 和性能调优经验，能够通过工具定位瓶颈并给出优化方案；\r\n6.有 NVIDIA GPU 或 国产加速卡 实际优化经验者优先；\r\n7.不要求候选人覆盖 AI 全栈所有方向，只要在大模型训练/推理、GPU 算子优化、分布式通信、性能调优、推理框架等任一方向有较深入理解和实践经验，均欢迎投递。\n1.有 FlashAttention、GEMM、MoE、通信算子、KV Cache 管理等优化经验；\r\n2.有大规模训练或推理集群优化经验，参与过百卡、千卡级任务优先；\r\n3.有 TensorRT-LLM、vLLM、SGLang、Megatron-LM、DeepSpeed 等框架经验；\r\n4.有国产 AI 芯片适配或优化经验者加分；\r\n5.熟悉 GPU 通信拓扑、NVLink/NVSwitch/IB 网络优化者优先。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}