{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "高性能计算工程师",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "CSIG",
        "location": "上海",
        "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": 5,
        "degree": "计算机、人工智能、软件工程等相关专业硕士及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1.超大规模LLM性能工程： 主导并规划千亿参数级大模型的极致性能优化技术路线。负责 PagedAttention、连续批处理等核心调度策略的深度定制与生产级架构设计，负责 vLLM/TensorRT-LLM 等主流推理框架的内核级优化与落地；\r\n2.低比特与稀疏模型优化： 牵头 INT4/FP8/AWQ 等前沿低比特量化技术的工业级系统化落地，平衡精度与计算效率。并设计面向 MoE 模型的分布式调度、路由、显存管理及跨卡通信的优化方案；\r\n3.统一与多模态架构： 定义并设计一套具备长期扩展性的统一 AI 推理引擎架构，以支撑自回归生成任务，并前瞻性地解决多模态大模型（如视觉-语言模型）的协同推理部署挑战；\r\n4.异构算力与国产化适配： 主导推理引擎在国产AI芯片（如昇腾、海光、天数等）平台上的战略级移植、生态适配与性能优化。对 HCCL/NCCL 等通信原语进行深度优化和定制，实现跨异构架构的算力自主可控；\r\n5.核心算子优化与指令架构创新 (Enhanced Focus):深度介入 GPU/NPU 硬件底层，主导设计和实现LLM特有高性能算子。 重点包括：高性能Attention Kernel、矩阵乘法（GEMM）的深度定制与融合、KV Cache读写优化等关键算子；\r\n6.具备深入理解和利用硬件指令集架构（ISA）和微架构（Microarchitecture）的能力， 通过 CUDA/Triton 或国产芯片底层编程语言，进行SIMD/SIMT指令优化、指令级并行（ILP）及寄存器重用等，将LLM推理性能推向硬件理论极限。",
        "requirements_text": "1.计算机、人工智能、软件工程等相关专业硕士及以上学历；\r\n2.具备5年以上 AI 系统、高性能计算或底层系统开发经验；\r\n3.具备大规模、生产级大语言模型（LLM）在线推理系统从零到一的架构设计与优化实战经验；\r\n4.精通 C++/Python，具备深厚的系统编程功底，对并行计算、内存管理和性能调优有深入的系统性理解；\r\n5.深入理解 Transformer 架构，具备 vLLM, TensorRT-LLM, LightLLM 等主流推理框架的内核级/源码级深度优化经验；对 KV Cache、低比特量化、连续批处理等核心技术有架构决策能力；\r\n6.具备设计和主导实现高并发、超低延迟分布式服务系统的能力；熟悉 Docker/Kubernetes 等云原生部署运维技术。",
        "skills": [AI生成
            "Python",
            "C++",
            "Docker",
            "Kubernetes",
            "性能调优",
            "架构设计",
            "大语言模型"
        ],
        "preferred_qualifications": "1.有昇腾、海光、天数等国产AI芯片平台上的LLM模型移植、底层算子开发或推理引擎适配的战略级成功经验；\r\n2.具备多卡/多机通信（NCCL/HCCL/RDMA）的底层原理理解与架构级优化经验，有通过定制通信原语解决大规模LLM模型通信瓶颈的核心技术输出；\r\n3.对主流 AI 芯片的指令集架构（ISA）和微架构有深入理解和实战经验， 能够直接通过底层汇编或高阶编程接口（如 PTX, SASS, TVM）进行极致的算子级性能调优；\r\n4.具备使用 CUDA/Triton 或国产 AI 芯片的底层编程语言（如 Ascend C）进行高性能算子（如 Attention, GEMM）开发与优化的丰富实战经验；\r\n5.熟悉 MLIR, LLVM 等编译器技术，对 NVIDIA/AMD/昇腾/海光/天数 等主流 AI 芯片的底层内核优化有体系化的知识和实践；\r\n6.有千亿参数大模型成功部署和极致性能优化的平台化建设经验；\r\n7.在 MLSys, NeurIPS, ICML, ICLR 等顶级会议发表过 AI 系统或推理优化相关论文，或拥有相关核心技术专利。",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://careers.tencent.com/jobdesc.html?postId=2037120831393525760"
            }
        ]
    },
    "posting": {
        "posting_id": "2037120831393525760",
        "post_date": "2026-09-11",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://careers.tencent.com/jobdesc.html?postId=2037120831393525760"
    },
    "fulltext": "高性能计算工程师\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.超大规模LLM性能工程： 主导并规划千亿参数级大模型的极致性能优化技术路线。负责 PagedAttention、连续批处理等核心调度策略的深度定制与生产级架构设计，负责 vLLM/TensorRT-LLM 等主流推理框架的内核级优化与落地；\r\n2.低比特与稀疏模型优化： 牵头 INT4/FP8/AWQ 等前沿低比特量化技术的工业级系统化落地，平衡精度与计算效率。并设计面向 MoE 模型的分布式调度、路由、显存管理及跨卡通信的优化方案；\r\n3.统一与多模态架构： 定义并设计一套具备长期扩展性的统一 AI 推理引擎架构，以支撑自回归生成任务，并前瞻性地解决多模态大模型（如视觉-语言模型）的协同推理部署挑战；\r\n4.异构算力与国产化适配： 主导推理引擎在国产AI芯片（如昇腾、海光、天数等）平台上的战略级移植、生态适配与性能优化。对 HCCL/NCCL 等通信原语进行深度优化和定制，实现跨异构架构的算力自主可控；\r\n5.核心算子优化与指令架构创新 (Enhanced Focus):深度介入 GPU/NPU 硬件底层，主导设计和实现LLM特有高性能算子。 重点包括：高性能Attention Kernel、矩阵乘法（GEMM）的深度定制与融合、KV Cache读写优化等关键算子；\r\n6.具备深入理解和利用硬件指令集架构（ISA）和微架构（Microarchitecture）的能力， 通过 CUDA/Triton 或国产芯片底层编程语言，进行SIMD/SIMT指令优化、指令级并行（ILP）及寄存器重用等，将LLM推理性能推向硬件理论极限。\n1.计算机、人工智能、软件工程等相关专业硕士及以上学历；\r\n2.具备5年以上 AI 系统、高性能计算或底层系统开发经验；\r\n3.具备大规模、生产级大语言模型（LLM）在线推理系统从零到一的架构设计与优化实战经验；\r\n4.精通 C++/Python，具备深厚的系统编程功底，对并行计算、内存管理和性能调优有深入的系统性理解；\r\n5.深入理解 Transformer 架构，具备 vLLM, TensorRT-LLM, LightLLM 等主流推理框架的内核级/源码级深度优化经验；对 KV Cache、低比特量化、连续批处理等核心技术有架构决策能力；\r\n6.具备设计和主导实现高并发、超低延迟分布式服务系统的能力；熟悉 Docker/Kubernetes 等云原生部署运维技术。\n1.有昇腾、海光、天数等国产AI芯片平台上的LLM模型移植、底层算子开发或推理引擎适配的战略级成功经验；\r\n2.具备多卡/多机通信（NCCL/HCCL/RDMA）的底层原理理解与架构级优化经验，有通过定制通信原语解决大规模LLM模型通信瓶颈的核心技术输出；\r\n3.对主流 AI 芯片的指令集架构（ISA）和微架构有深入理解和实战经验， 能够直接通过底层汇编或高阶编程接口（如 PTX, SASS, TVM）进行极致的算子级性能调优；\r\n4.具备使用 CUDA/Triton 或国产 AI 芯片的底层编程语言（如 Ascend C）进行高性能算子（如 Attention, GEMM）开发与优化的丰富实战经验；\r\n5.熟悉 MLIR, LLVM 等编译器技术，对 NVIDIA/AMD/昇腾/海光/天数 等主流 AI 芯片的底层内核优化有体系化的知识和实践；\r\n6.有千亿参数大模型成功部署和极致性能优化的平台化建设经验；\r\n7.在 MLSys, NeurIPS, ICML, ICLR 等顶级会议发表过 AI 系统或推理优化相关论文，或拥有相关核心技术专利。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}