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": "AI推理平台-大模型异构芯片适配与推理优化工程师-杭州/北京",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"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": "负责主流大模型在多种 AI 加速芯片和推理后端上的适配、优化与工程落地，覆盖 Qwen、DeepSeek、GLM、Kimi等文本、多模态与图像生成模型，目标平台包括 TPU、NPU 等各类 AI 加速芯片。该岗位需要深入理解模型结构、推理框架、算子/kernel、编译栈与分布式推理机制，推动模型在不同硬件平台上稳定、高效、可规模化运行。",
"requirements_text": "1. 负责 Qwen、DeepSeek、GLM、Kimi等主流模型在 TPU、NPU 等各类AI 加速芯片上的适配、验证和性能优化。\n2. 分析模型结构与硬件特性，完成 attention、KV cache、MoE、多模态模块、DiT/扩散模型等关键链路的推理打通与优化。\n3. 基于 vLLM、SGLang 或自研推理框架，推进模型部署、算子替换、图编译、kernel 调优和端到端性能优化。\n4. 建立模型适配流程，包括精度对齐、性能 benchmark、长上下文验证、并发压测、稳定性回归和版本发布。\n5. 与上下游团队紧密协作，定位并解决动态 shape、通信瓶颈、内存布局、算子缺失、图编译失败、精度漂移等跨层问题。\n6. 沉淀通用适配能力和工具链，提升新模型、新硬件平台的接入效率，推动多硬件后端的标准化和平台化。",
"skills": [AI生成
"性能优化"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100022920008"
}
]
},
"posting": {
"posting_id": "100022920008",
"post_date": "2026-08-31",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100022920008"
},
"fulltext": "AI推理平台-大模型异构芯片适配与推理优化工程师-杭州/北京\nAI推理平台-大模型异构芯片适配与推理优化工程师-杭州/北京\n\n基础信息\n工作地点：北京 / 杭州\n\n职位描述\n负责主流大模型在多种 AI 加速芯片和推理后端上的适配、优化与工程落地，覆盖 Qwen、DeepSeek、GLM、Kimi等文本、多模态与图像生成模型，目标平台包括 TPU、NPU 等各类 AI 加速芯片。该岗位需要深入理解模型结构、推理框架、算子/kernel、编译栈与分布式推理机制，推动模型在不同硬件平台上稳定、高效、可规模化运行。\n\n职位要求\n1. 负责 Qwen、DeepSeek、GLM、Kimi等主流模型在 TPU、NPU 等各类AI 加速芯片上的适配、验证和性能优化。\n2. 分析模型结构与硬件特性，完成 attention、KV cache、MoE、多模态模块、DiT/扩散模型等关键链路的推理打通与优化。\n3. 基于 vLLM、SGLang 或自研推理框架，推进模型部署、算子替换、图编译、kernel 调优和端到端性能优化。\n4. 建立模型适配流程，包括精度对齐、性能 benchmark、长上下文验证、并发压测、稳定性回归和版本发布。\n5. 与上下游团队紧密协作，定位并解决动态 shape、通信瓶颈、内存布局、算子缺失、图编译失败、精度漂移等跨层问题。\n6. 沉淀通用适配能力和工具链，提升新模型、新硬件平台的接入效率，推动多硬件后端的标准化和平台化。\n负责主流大模型在多种 AI 加速芯片和推理后端上的适配、优化与工程落地，覆盖 Qwen、DeepSeek、GLM、Kimi等文本、多模态与图像生成模型，目标平台包括 TPU、NPU 等各类 AI 加速芯片。该岗位需要深入理解模型结构、推理框架、算子/kernel、编译栈与分布式推理机制，推动模型在不同硬件平台上稳定、高效、可规模化运行。\n1. 负责 Qwen、DeepSeek、GLM、Kimi等主流模型在 TPU、NPU 等各类AI 加速芯片上的适配、验证和性能优化。\n2. 分析模型结构与硬件特性，完成 attention、KV cache、MoE、多模态模块、DiT/扩散模型等关键链路的推理打通与优化。\n3. 基于 vLLM、SGLang 或自研推理框架，推进模型部署、算子替换、图编译、kernel 调优和端到端性能优化。\n4. 建立模型适配流程，包括精度对齐、性能 benchmark、长上下文验证、并发压测、稳定性回归和版本发布。\n5. 与上下游团队紧密协作，定位并解决动态 shape、通信瓶颈、内存布局、算子缺失、图编译失败、精度漂移等跨层问题。\n6. 沉淀通用适配能力和工具链，提升新模型、新硬件平台的接入效率，推动多硬件后端的标准化和平台化。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}