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-AIGC与世界模型服务研发工程师/技术专家-北京/杭州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "软件研发"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": "计算机、软件工程、人工智能或相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队围绕百炼图像、视频、实时生成及世界模型等场景（Qwen Image, Wan, Happy Horse, Happy Oyster等），建设业界前沿的稳定、高效、易用、成本可控的生产级模型服务，持续提升用户体验、服务稳定性、GPU 利用率和模型研发效率。\n具体职责包括：\n1. AIGC 模型服务化：面向图像生成、视频生成、实时生成及世界模型场景，负责高可用服务架构与端到端方案设计，适配一方及第三方模型；支持同步、异步、流式及长任务等各种服务形态；\n2. 调度与资源效率: 面向不同workload请求，建设任务队列、批处理、流量路由、QoS 和弹性伸缩能力, 优化容量匹配与资源分配，提升 GPU 利用率并降低单位生成成本。 \n3. 研发与交付效率：打通模型从算法代码到生产服务的交付链路，完善 CI/CD、问题回放和自动化准出能力，提升模型 Day-0 上线及持续迭代效率。 \n4. 用户体验与稳定性：面向多模型、大流量、长耗时和复杂 Pipeline 场景，保障线上服务slo；持续优化端到端耗时、用户调用体验，完善服务观测、故障恢复、灰度及回滚体系。",
"requirements_text": "1. 计算机、软件工程、人工智能或相关专业本科及以上学历。\n2. 具备 2 年及以上大模型架构、AI Infra 或者分布式系统开发相关工作经验，有使用PyTorch/TensorFlow等机器学习框架的经验，有vllm-omni/sglang-omni等推理引擎使用经验的优先，有算法框架研发经验的优先。\n4. 熟悉 PyTorch，理解 Diffusion、DiT、Flow Matching 等生成模型的基本架构和推理流程。\n5. 熟悉 Kubernetes、任务调度、可观测性、弹性伸缩或 GPU 资源管理中的一项或多项。 \n6. 具备出色的问题解决能力，能够快速定位并解决技术难题。 \n7. 有强烈的责任心，具备良好的沟通能力、执行力及团队合作精神。\n加分项\n- 有图像生成、视频生成、实时生成、世界模型或具身智能相关模型服务经验。\n- 有长任务、多 Stage Pipeline、GPU 调度、容量规划或成本优化经验。\n- 有生成模型数据、训练、后训练、偏好优化、Reward Model 或质量评测相关实践。\n- 有高影响力项目、顶会论文或开源社区贡献。",
"skills": [AI生成
"Kubernetes",
"PyTorch",
"TensorFlow",
"机器学习",
"分布式系统",
"团队协作",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "2. 具备 2 年及以上大模型架构、AI Infra 或者分布式系统开发相关工作经验，有使用PyTorch/TensorFlow等机器学习框架的经验，有vllm-omni/sglang-omni等推理引擎使用经验的优先，有算法框架研发经验的优先；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=100037780001"
}
]
},
"posting": {
"posting_id": "100037780001",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100037780001"
},
"fulltext": "AI推理平台-AIGC与世界模型服务研发工程师/技术专家-北京/杭州\nAI推理平台-AIGC与世界模型服务研发工程师/技术专家-北京/杭州\n\n基础信息\n工作地点：北京 / 杭州\n\n职位描述\n团队围绕百炼图像、视频、实时生成及世界模型等场景（Qwen Image, Wan, Happy Horse, Happy Oyster等），建设业界前沿的稳定、高效、易用、成本可控的生产级模型服务，持续提升用户体验、服务稳定性、GPU 利用率和模型研发效率。\n具体职责包括：\n1. AIGC 模型服务化：面向图像生成、视频生成、实时生成及世界模型场景，负责高可用服务架构与端到端方案设计，适配一方及第三方模型；支持同步、异步、流式及长任务等各种服务形态；\n2. 调度与资源效率: 面向不同workload请求，建设任务队列、批处理、流量路由、QoS 和弹性伸缩能力, 优化容量匹配与资源分配，提升 GPU 利用率并降低单位生成成本。 \n3. 研发与交付效率：打通模型从算法代码到生产服务的交付链路，完善 CI/CD、问题回放和自动化准出能力，提升模型 Day-0 上线及持续迭代效率。 \n4. 用户体验与稳定性：面向多模型、大流量、长耗时和复杂 Pipeline 场景，保障线上服务slo；持续优化端到端耗时、用户调用体验，完善服务观测、故障恢复、灰度及回滚体系。\n\n职位要求\n1. 计算机、软件工程、人工智能或相关专业本科及以上学历。\n2. 具备 2 年及以上大模型架构、AI Infra 或者分布式系统开发相关工作经验，有使用PyTorch/TensorFlow等机器学习框架的经验，有vllm-omni/sglang-omni等推理引擎使用经验的优先，有算法框架研发经验的优先。\n4. 熟悉 PyTorch，理解 Diffusion、DiT、Flow Matching 等生成模型的基本架构和推理流程。\n5. 熟悉 Kubernetes、任务调度、可观测性、弹性伸缩或 GPU 资源管理中的一项或多项。 \n6. 具备出色的问题解决能力，能够快速定位并解决技术难题。 \n7. 有强烈的责任心，具备良好的沟通能力、执行力及团队合作精神。\n加分项\n- 有图像生成、视频生成、实时生成、世界模型或具身智能相关模型服务经验。\n- 有长任务、多 Stage Pipeline、GPU 调度、容量规划或成本优化经验。\n- 有生成模型数据、训练、后训练、偏好优化、Reward Model 或质量评测相关实践。\n- 有高影响力项目、顶会论文或开源社区贡献。\n团队围绕百炼图像、视频、实时生成及世界模型等场景（Qwen Image, Wan, Happy Horse, Happy Oyster等），建设业界前沿的稳定、高效、易用、成本可控的生产级模型服务，持续提升用户体验、服务稳定性、GPU 利用率和模型研发效率。\n具体职责包括：\n1. AIGC 模型服务化：面向图像生成、视频生成、实时生成及世界模型场景，负责高可用服务架构与端到端方案设计，适配一方及第三方模型；支持同步、异步、流式及长任务等各种服务形态；\n2. 调度与资源效率: 面向不同workload请求，建设任务队列、批处理、流量路由、QoS 和弹性伸缩能力, 优化容量匹配与资源分配，提升 GPU 利用率并降低单位生成成本。 \n3. 研发与交付效率：打通模型从算法代码到生产服务的交付链路，完善 CI/CD、问题回放和自动化准出能力，提升模型 Day-0 上线及持续迭代效率。 \n4. 用户体验与稳定性：面向多模型、大流量、长耗时和复杂 Pipeline 场景，保障线上服务slo；持续优化端到端耗时、用户调用体验，完善服务观测、故障恢复、灰度及回滚体系。\n1. 计算机、软件工程、人工智能或相关专业本科及以上学历。\n2. 具备 2 年及以上大模型架构、AI Infra 或者分布式系统开发相关工作经验，有使用PyTorch/TensorFlow等机器学习框架的经验，有vllm-omni/sglang-omni等推理引擎使用经验的优先，有算法框架研发经验的优先。\n4. 熟悉 PyTorch，理解 Diffusion、DiT、Flow Matching 等生成模型的基本架构和推理流程。\n5. 熟悉 Kubernetes、任务调度、可观测性、弹性伸缩或 GPU 资源管理中的一项或多项。 \n6. 具备出色的问题解决能力，能够快速定位并解决技术难题。 \n7. 有强烈的责任心，具备良好的沟通能力、执行力及团队合作精神。\n加分项\n- 有图像生成、视频生成、实时生成、世界模型或具身智能相关模型服务经验。\n- 有长任务、多 Stage Pipeline、GPU 调度、容量规划或成本优化经验。\n- 有生成模型数据、训练、后训练、偏好优化、Reward Model 或质量评测相关实践。\n- 有高影响力项目、顶会论文或开源社区贡献。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}