{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "千问事业部-大模型算子技术专家/高级技术专家-杭州/北京/广州",
        "job_level": "专家",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "北京 / 杭州 / 广州",
        "work_mode": "未披露",AI生成
        "job_category": "算法研发"AI生成
    },
    "company": {
        "company_name": "夸克",
        "company_industry": "互联网 / 人工智能应用",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "夸克提供AI搜索等人工智能应用服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 参与大模型训练、推理核心算子的设计、开发与性能优化，覆盖Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等关键算子，支撑千亿/万亿参数模型的低延迟、高吞吐推理；\n2. 面向NVIDIA、AMD及其他通用AI加速硬件，研发高性能Kernel实现方案，充分利用Tensor Core、Shared Memory、异步流水、Persistent Kernel等硬件能力，持续提升算子吞吐、延迟和资源利用率；\n3. 参与FP8、FP4、INT8、INT4等低比特推理相关算子研发与优化，推动量化算子、算子融合、图级优化与推理框架协同落地，降低端到端推理成本；\n4. 针对线上真实负载开展系统化性能分析、Benchmark、性能归因与问题定位，解决算子性能瓶颈、稳定性和工程化落地问题，沉淀可复用的优化方法和工程实践。",
        "requirements_text": "1. 精通C++/CUDA/Python，具备扎实的计算机体系结构、并行计算和高性能计算基础，能够独立完成复杂GPU Kernel的设计、实现、调优和工程化落地；\n2. 深入理解GPU硬件架构与性能优化方法，熟悉Tensor Core、Memory Hierarchy、Shared Memory、Register、Warp Scheduling、异步流水等机制，具备系统化性能分析和瓶颈定位能力；\n3. 熟悉大模型推理核心算子，包括Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等，有实际优化经验者优先；\n4. 熟练使用Nsight Compute、Nsight Systems、Nsys等性能分析工具，能够针对真实业务负载开展性能归因、Benchmark建设和端到端优化；\n5. 熟悉Triton、CUTLASS/CuTe、FlashAttention、FlashInfer、TensorRT-LLM、vLLM、SGLang等生态中的任一技术栈，有开源贡献或生产级优化经验者优先。",
        "skills": [AI生成
            "Python",
            "C++",
            "CUDA",
            "性能优化",
            "大语言模型"
        ],
        "preferred_qualifications": "3. 熟悉大模型推理核心算子，包括Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等，有实际优化经验者优先；5. 熟悉Triton、CUTLASS/CuTe、FlashAttention、FlashInfer、TensorRT-LLM、vLLM、SGLang等生态中的任一技术栈，有开源贡献或生产级优化经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://talent.quark.cn/off-campus/position-detail?positionId=100021600004"
            }
        ]
    },
    "posting": {
        "posting_id": "100021600004",
        "post_date": "2026-09-01",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.quark.cn/off-campus/position-detail?positionId=100021600004"
    },
    "fulltext": "千问事业部-大模型算子技术专家/高级技术专家-杭州/北京/广州\n千问事业部-大模型算子技术专家/高级技术专家-杭州/北京/广州\n\n基础信息\n工作地点：北京 / 杭州 / 广州\n\n职位描述\n1. 参与大模型训练、推理核心算子的设计、开发与性能优化，覆盖Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等关键算子，支撑千亿/万亿参数模型的低延迟、高吞吐推理；\n2. 面向NVIDIA、AMD及其他通用AI加速硬件，研发高性能Kernel实现方案，充分利用Tensor Core、Shared Memory、异步流水、Persistent Kernel等硬件能力，持续提升算子吞吐、延迟和资源利用率；\n3. 参与FP8、FP4、INT8、INT4等低比特推理相关算子研发与优化，推动量化算子、算子融合、图级优化与推理框架协同落地，降低端到端推理成本；\n4. 针对线上真实负载开展系统化性能分析、Benchmark、性能归因与问题定位，解决算子性能瓶颈、稳定性和工程化落地问题，沉淀可复用的优化方法和工程实践。\n\n职位要求\n1. 精通C++/CUDA/Python，具备扎实的计算机体系结构、并行计算和高性能计算基础，能够独立完成复杂GPU Kernel的设计、实现、调优和工程化落地；\n2. 深入理解GPU硬件架构与性能优化方法，熟悉Tensor Core、Memory Hierarchy、Shared Memory、Register、Warp Scheduling、异步流水等机制，具备系统化性能分析和瓶颈定位能力；\n3. 熟悉大模型推理核心算子，包括Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等，有实际优化经验者优先；\n4. 熟练使用Nsight Compute、Nsight Systems、Nsys等性能分析工具，能够针对真实业务负载开展性能归因、Benchmark建设和端到端优化；\n5. 熟悉Triton、CUTLASS/CuTe、FlashAttention、FlashInfer、TensorRT-LLM、vLLM、SGLang等生态中的任一技术栈，有开源贡献或生产级优化经验者优先。\n1. 参与大模型训练、推理核心算子的设计、开发与性能优化，覆盖Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等关键算子，支撑千亿/万亿参数模型的低延迟、高吞吐推理；\n2. 面向NVIDIA、AMD及其他通用AI加速硬件，研发高性能Kernel实现方案，充分利用Tensor Core、Shared Memory、异步流水、Persistent Kernel等硬件能力，持续提升算子吞吐、延迟和资源利用率；\n3. 参与FP8、FP4、INT8、INT4等低比特推理相关算子研发与优化，推动量化算子、算子融合、图级优化与推理框架协同落地，降低端到端推理成本；\n4. 针对线上真实负载开展系统化性能分析、Benchmark、性能归因与问题定位，解决算子性能瓶颈、稳定性和工程化落地问题，沉淀可复用的优化方法和工程实践。\n1. 精通C++/CUDA/Python，具备扎实的计算机体系结构、并行计算和高性能计算基础，能够独立完成复杂GPU Kernel的设计、实现、调优和工程化落地；\n2. 深入理解GPU硬件架构与性能优化方法，熟悉Tensor Core、Memory Hierarchy、Shared Memory、Register、Warp Scheduling、异步流水等机制，具备系统化性能分析和瓶颈定位能力；\n3. 熟悉大模型推理核心算子，包括Attention、MLP、MoE GEMM、RMSNorm、RoPE、Sampling、KV Cache读写、量化/反量化等，有实际优化经验者优先；\n4. 熟练使用Nsight Compute、Nsight Systems、Nsys等性能分析工具，能够针对真实业务负载开展性能归因、Benchmark建设和端到端优化；\n5. 熟悉Triton、CUTLASS/CuTe、FlashAttention、FlashInfer、TensorRT-LLM、vLLM、SGLang等生态中的任一技术栈，有开源贡献或生产级优化经验者优先。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}