{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "达摩院-大模型推理优化工程师-计算技术",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "成都 / 北京 / 杭州 / 上海",
        "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": 5,
        "degree": "● 计算机、电子工程或相关专业硕士及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "● 基于GPU Profile完成模型算子覆盖率分析，识别必选高性能算子开发路径并评估性能影响。\n● 基于性能仿真建模工具完成性能建模并检查review，输出整网及分层模块性能预期报告，明确关键模块与算子形状、数据类型及切分策略。\n● 结合Profile与建模结果，输出算子开发需求清单（含算子列表、shape、dtype、切分策略）及接口需求说明文档，明确算子/框架团队优先验证规格。\n● 维护并扩展补充新增AI芯片算子单OP精度与性能参考代码，沉淀AI Harness SKILL/Agent资产。\n● 建立主要模型推理规格的GPU竞品性能数据清单，形成可量化对标基准。\n● 跑通模型Fake Tensor推理（带切分方案）与Real Tensor推理全流程，验证并行切分策略正确性。\n● 对比实测性能与建模预期，量化Gap来源（算子效率/切分策略/调度开销/显存带宽等），驱动算子、框架、编译器团队形成优化闭环，持续逼近建模性能极限。\n● 制定端到端精度验证策略，输出验证方案与QA转测说明，完成AI芯片daily QA转测交付。\n● 输出模型整体并行方案与子模块/算子级切分细化方案，形成建模性能预期数据报告。",
        "requirements_text": "● 计算机、电子工程或相关专业硕士及以上学历，初级1-3年，高级5年以上AI基础设施、高性能计算或AI编译器相关工作经验。\n● 精通Python/C++，熟悉Linux开发环境。\n● 深入理解至少一种推理框架（vLLM/SGLang/TensorRT-LLM/Triton Inference Server）或AI编译器生态（Triton/TileLang/TVM/MLIR），具备Op/Kernel开发或调优经验。\n● 熟练使用NVIDIA性能分析工具（Nsight Systems/Nsight Compute/PyTorch Profiler），具备从trace中定位kernel耗时、带宽瓶颈及调度开销的能力。\n● 理解性能建模方法论（Roofline等），能够量化建模与实测间的Gap来源。\n● 熟悉Tensor/Pipeline/Data/Sequence Parallelism等并行策略，具备切分方案设计与验证经验。\n● 具备AI Harness提效加速构建经验。\n加分项：\n● 有LLM（LLaMA/Qwen/DeepSeek等）部署至自研AI芯片或异构硬件的全流程经验。\n● 有性能仿真建模工具开发或二次开发经验。\n● 有vLLM/Triton/PyTorch等开源项目核心贡献经历。\n● 有AI编译器端到端开发落地沉淀经验。",
        "skills": [AI生成
            "Python",
            "C++",
            "Linux",
            "PyTorch",
            "建模",
            "大语言模型"
        ],
        "preferred_qualifications": "加分项：",
        "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=100022980007"
            }
        ]
    },
    "posting": {
        "posting_id": "100022980007",
        "post_date": "2026-08-09",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100022980007"
    },
    "fulltext": "达摩院-大模型推理优化工程师-计算技术\n达摩院-大模型推理优化工程师-计算技术\n\n基础信息\n工作地点：成都 / 北京 / 杭州 / 上海\n\n职位描述\n● 基于GPU Profile完成模型算子覆盖率分析，识别必选高性能算子开发路径并评估性能影响。\n● 基于性能仿真建模工具完成性能建模并检查review，输出整网及分层模块性能预期报告，明确关键模块与算子形状、数据类型及切分策略。\n● 结合Profile与建模结果，输出算子开发需求清单（含算子列表、shape、dtype、切分策略）及接口需求说明文档，明确算子/框架团队优先验证规格。\n● 维护并扩展补充新增AI芯片算子单OP精度与性能参考代码，沉淀AI Harness SKILL/Agent资产。\n● 建立主要模型推理规格的GPU竞品性能数据清单，形成可量化对标基准。\n● 跑通模型Fake Tensor推理（带切分方案）与Real Tensor推理全流程，验证并行切分策略正确性。\n● 对比实测性能与建模预期，量化Gap来源（算子效率/切分策略/调度开销/显存带宽等），驱动算子、框架、编译器团队形成优化闭环，持续逼近建模性能极限。\n● 制定端到端精度验证策略，输出验证方案与QA转测说明，完成AI芯片daily QA转测交付。\n● 输出模型整体并行方案与子模块/算子级切分细化方案，形成建模性能预期数据报告。\n\n职位要求\n● 计算机、电子工程或相关专业硕士及以上学历，初级1-3年，高级5年以上AI基础设施、高性能计算或AI编译器相关工作经验。\n● 精通Python/C++，熟悉Linux开发环境。\n● 深入理解至少一种推理框架（vLLM/SGLang/TensorRT-LLM/Triton Inference Server）或AI编译器生态（Triton/TileLang/TVM/MLIR），具备Op/Kernel开发或调优经验。\n● 熟练使用NVIDIA性能分析工具（Nsight Systems/Nsight Compute/PyTorch Profiler），具备从trace中定位kernel耗时、带宽瓶颈及调度开销的能力。\n● 理解性能建模方法论（Roofline等），能够量化建模与实测间的Gap来源。\n● 熟悉Tensor/Pipeline/Data/Sequence Parallelism等并行策略，具备切分方案设计与验证经验。\n● 具备AI Harness提效加速构建经验。\n加分项：\n● 有LLM（LLaMA/Qwen/DeepSeek等）部署至自研AI芯片或异构硬件的全流程经验。\n● 有性能仿真建模工具开发或二次开发经验。\n● 有vLLM/Triton/PyTorch等开源项目核心贡献经历。\n● 有AI编译器端到端开发落地沉淀经验。\n● 基于GPU Profile完成模型算子覆盖率分析，识别必选高性能算子开发路径并评估性能影响。\n● 基于性能仿真建模工具完成性能建模并检查review，输出整网及分层模块性能预期报告，明确关键模块与算子形状、数据类型及切分策略。\n● 结合Profile与建模结果，输出算子开发需求清单（含算子列表、shape、dtype、切分策略）及接口需求说明文档，明确算子/框架团队优先验证规格。\n● 维护并扩展补充新增AI芯片算子单OP精度与性能参考代码，沉淀AI Harness SKILL/Agent资产。\n● 建立主要模型推理规格的GPU竞品性能数据清单，形成可量化对标基准。\n● 跑通模型Fake Tensor推理（带切分方案）与Real Tensor推理全流程，验证并行切分策略正确性。\n● 对比实测性能与建模预期，量化Gap来源（算子效率/切分策略/调度开销/显存带宽等），驱动算子、框架、编译器团队形成优化闭环，持续逼近建模性能极限。\n● 制定端到端精度验证策略，输出验证方案与QA转测说明，完成AI芯片daily QA转测交付。\n● 输出模型整体并行方案与子模块/算子级切分细化方案，形成建模性能预期数据报告。\n● 计算机、电子工程或相关专业硕士及以上学历，初级1-3年，高级5年以上AI基础设施、高性能计算或AI编译器相关工作经验。\n● 精通Python/C++，熟悉Linux开发环境。\n● 深入理解至少一种推理框架（vLLM/SGLang/TensorRT-LLM/Triton Inference Server）或AI编译器生态（Triton/TileLang/TVM/MLIR），具备Op/Kernel开发或调优经验。\n● 熟练使用NVIDIA性能分析工具（Nsight Systems/Nsight Compute/PyTorch Profiler），具备从trace中定位kernel耗时、带宽瓶颈及调度开销的能力。\n● 理解性能建模方法论（Roofline等），能够量化建模与实测间的Gap来源。\n● 熟悉Tensor/Pipeline/Data/Sequence Parallelism等并行策略，具备切分方案设计与验证经验。\n● 具备AI Harness提效加速构建经验。\n加分项：\n● 有LLM（LLaMA/Qwen/DeepSeek等）部署至自研AI芯片或异构硬件的全流程经验。\n● 有性能仿真建模工具开发或二次开发经验。\n● 有vLLM/Triton/PyTorch等开源项目核心贡献经历。\n● 有AI编译器端到端开发落地沉淀经验。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}