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 Infra工程师 - 大模型方向（T-Star Lab日常实习）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "淘天集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "淘天集团",
"company_industry": "电子商务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们致力于打造面向搜推广场景 & 广告营销场景的业界领先AI Infra平台。团队贴合 阿里电商核心营销业务，承担着超大规模特征工程、深度学习与多模态训练推理、 AIGX & LLM 分布式训练与在离线推理、实时数据回流等关键职责，在高性能服务和优化、分布式计算和存储系统、并行与异构计算加速（CPU/GPU/XPU）和深度学习编译优化等课题上都具有业界最前沿的挑战。\n希望你能够立足AI Infra方向，保持技术敏感性，推进基座大模型与广告-大模型结合的 AI Training & Inference 的系统级优化。在这里，你将接触到前沿的电商搜推广技术，以及有机会提前获得秋招直通T-Star的正式Offer。\n岗位课题：\n大模型 AI Infra 的 Algorithm-Training-Inference-Hardware co-design\n课题项目背景：\n面向广告业务的大盘提效（广告-大模型结合）、营销场景的 AIGX & LLM/MLLM，整体的大模型技术体系已经深度渗透到了日常业务迭代中，需要与算法协同解决基座模型（超大规模MoE）的 Training & Inference 系统性能与计算效率问题。\n成长资源：计算机体系结构/计算机网络领域的博士及大模型技术相关算法工程化领域senior/staff engineer 的贴身指导；业界最前沿问题、世界级业务场景的落地挑战；不光做系统，通过 Algorithm-Training-Inference-Hardware 协同设计，还能深入理解算法与硬件。\n岗位职责：\n1. 超大规模Sparse-Dense模型（for 广告）和Dense大模型（for GenAI应用）的训练架构设计优化并推动生产落地。\n2. 大规模异构硬件Training系统的计算性能与效率优化。\n3. Algorithm-Training-Inference Co-Design，整体提升模型效率。",
"requirements_text": "1. 硕士及以上学历，2026年11月1日以后毕业，计算机科学/人工智能/机器学习/自动化等相关专业，能连续实习3个月及以上；\n2. 具备扎实的编程基础（C/CUDA/C++/Python），熟悉常用算法与数据结构，掌握机器学习基础理论，了解搜推广系统/自然语言处理/多模态等至少一个领域；\n3. 有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先；\n4. 对AI技术充满好奇心，主动关注大模型、搜推广系统、NLP、强化学习等领域前沿进展；\n5. 在顶级会议或高水平期刊发表过论文，或有复现前沿论文的经验者优先；\n6. 具备较强的问题拆解能力，能通过数据分析定位业务痛点并提出创新思路；\n7. 良好的沟通能力，能与工程师、产品经理高效协作，将技术方案转化为业务价值；\n8. 对电商场景有基本认知，愿意深入理解用户需求与商业逻辑。\n【加分项】\n1. 有大模型训练（如Megatron、DeepSpeed等）/微调（如Llama、GPT、Qwen、多模态模型）/推理（如vLLM、TRT-LLM等）经验或搜推广算法工程相关项目经历；\n2. 有海量数据处理经验或者大厂实习经验；\n3. 在算法竞赛中获得优异成绩（ACM-ICPC/挑战赛TOP10等）或者顶会论文发表。\n4. 实习要求至少3个月，最好达到半年以上。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"CUDA",
"机器学习",
"强化学习",
"自然语言处理",
"数据结构",
"数据分析",
"模型训练",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "3. 有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先；5. 在顶级会议或高水平期刊发表过论文，或有复现前沿论文的经验者优先；【加分项】",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199903880028?deptCodes="
}
]
},
"posting": {
"posting_id": "199903880028",
"post_date": "2026-03-26",
"hire_time": "1. 硕士及以上学历，2026年11月1日以后毕业，计算机科学/人工智能/机器学习/自动化等相关专业，能连续实习3个月及以上；4. 实习要求至少3个月，最好达到半年以上",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199903880028?deptCodes="
},
"fulltext": "AI Infra工程师 - 大模型方向（T-Star Lab日常实习）\nAI Infra工程师 - 大模型方向（T-Star Lab日常实习）\n\n基础信息\n毕业起止时间要求：2026-10-31 - 2028-10-30\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：北京\n\n职位描述\n我们致力于打造面向搜推广场景 & 广告营销场景的业界领先AI Infra平台。团队贴合 阿里电商核心营销业务，承担着超大规模特征工程、深度学习与多模态训练推理、 AIGX & LLM 分布式训练与在离线推理、实时数据回流等关键职责，在高性能服务和优化、分布式计算和存储系统、并行与异构计算加速（CPU/GPU/XPU）和深度学习编译优化等课题上都具有业界最前沿的挑战。\n希望你能够立足AI Infra方向，保持技术敏感性，推进基座大模型与广告-大模型结合的 AI Training & Inference 的系统级优化。在这里，你将接触到前沿的电商搜推广技术，以及有机会提前获得秋招直通T-Star的正式Offer。\n岗位课题：\n大模型 AI Infra 的 Algorithm-Training-Inference-Hardware co-design\n课题项目背景：\n面向广告业务的大盘提效（广告-大模型结合）、营销场景的 AIGX & LLM/MLLM，整体的大模型技术体系已经深度渗透到了日常业务迭代中，需要与算法协同解决基座模型（超大规模MoE）的 Training & Inference 系统性能与计算效率问题。\n成长资源：计算机体系结构/计算机网络领域的博士及大模型技术相关算法工程化领域senior/staff engineer 的贴身指导；业界最前沿问题、世界级业务场景的落地挑战；不光做系统，通过 Algorithm-Training-Inference-Hardware 协同设计，还能深入理解算法与硬件。\n岗位职责：\n1. 超大规模Sparse-Dense模型（for 广告）和Dense大模型（for GenAI应用）的训练架构设计优化并推动生产落地。\n2. 大规模异构硬件Training系统的计算性能与效率优化。\n3. Algorithm-Training-Inference Co-Design，整体提升模型效率。\n\n职位要求\n1. 硕士及以上学历，2026年11月1日以后毕业，计算机科学/人工智能/机器学习/自动化等相关专业，能连续实习3个月及以上；\n2. 具备扎实的编程基础（C/CUDA/C++/Python），熟悉常用算法与数据结构，掌握机器学习基础理论，了解搜推广系统/自然语言处理/多模态等至少一个领域；\n3. 有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先；\n4. 对AI技术充满好奇心，主动关注大模型、搜推广系统、NLP、强化学习等领域前沿进展；\n5. 在顶级会议或高水平期刊发表过论文，或有复现前沿论文的经验者优先；\n6. 具备较强的问题拆解能力，能通过数据分析定位业务痛点并提出创新思路；\n7. 良好的沟通能力，能与工程师、产品经理高效协作，将技术方案转化为业务价值；\n8. 对电商场景有基本认知，愿意深入理解用户需求与商业逻辑。\n【加分项】\n1. 有大模型训练（如Megatron、DeepSpeed等）/微调（如Llama、GPT、Qwen、多模态模型）/推理（如vLLM、TRT-LLM等）经验或搜推广算法工程相关项目经历；\n2. 有海量数据处理经验或者大厂实习经验；\n3. 在算法竞赛中获得优异成绩（ACM-ICPC/挑战赛TOP10等）或者顶会论文发表。\n4. 实习要求至少3个月，最好达到半年以上。\n\n在招业务\n淘天集团\n我们致力于打造面向搜推广场景 & 广告营销场景的业界领先AI Infra平台。团队贴合 阿里电商核心营销业务，承担着超大规模特征工程、深度学习与多模态训练推理、 AIGX & LLM 分布式训练与在离线推理、实时数据回流等关键职责，在高性能服务和优化、分布式计算和存储系统、并行与异构计算加速（CPU/GPU/XPU）和深度学习编译优化等课题上都具有业界最前沿的挑战。\n希望你能够立足AI Infra方向，保持技术敏感性，推进基座大模型与广告-大模型结合的 AI Training & Inference 的系统级优化。在这里，你将接触到前沿的电商搜推广技术，以及有机会提前获得秋招直通T-Star的正式Offer。\n岗位课题：\n大模型 AI Infra 的 Algorithm-Training-Inference-Hardware co-design\n课题项目背景：\n面向广告业务的大盘提效（广告-大模型结合）、营销场景的 AIGX & LLM/MLLM，整体的大模型技术体系已经深度渗透到了日常业务迭代中，需要与算法协同解决基座模型（超大规模MoE）的 Training & Inference 系统性能与计算效率问题。\n成长资源：计算机体系结构/计算机网络领域的博士及大模型技术相关算法工程化领域senior/staff engineer 的贴身指导；业界最前沿问题、世界级业务场景的落地挑战；不光做系统，通过 Algorithm-Training-Inference-Hardware 协同设计，还能深入理解算法与硬件。\n岗位职责：\n1. 超大规模Sparse-Dense模型（for 广告）和Dense大模型（for GenAI应用）的训练架构设计优化并推动生产落地。\n2. 大规模异构硬件Training系统的计算性能与效率优化。\n3. Algorithm-Training-Inference Co-Design，整体提升模型效率。\n1. 硕士及以上学历，2026年11月1日以后毕业，计算机科学/人工智能/机器学习/自动化等相关专业，能连续实习3个月及以上；\n2. 具备扎实的编程基础（C/CUDA/C++/Python），熟悉常用算法与数据结构，掌握机器学习基础理论，了解搜推广系统/自然语言处理/多模态等至少一个领域；\n3. 有PyTorch/TensorFlow等框架使用经验，参与过算法竞赛（Kaggle/天池等）或开源项目者优先；\n4. 对AI技术充满好奇心，主动关注大模型、搜推广系统、NLP、强化学习等领域前沿进展；\n5. 在顶级会议或高水平期刊发表过论文，或有复现前沿论文的经验者优先；\n6. 具备较强的问题拆解能力，能通过数据分析定位业务痛点并提出创新思路；\n7. 良好的沟通能力，能与工程师、产品经理高效协作，将技术方案转化为业务价值；\n8. 对电商场景有基本认知，愿意深入理解用户需求与商业逻辑。\n【加分项】\n1. 有大模型训练（如Megatron、DeepSpeed等）/微调（如Llama、GPT、Qwen、多模态模型）/推理（如vLLM、TRT-LLM等）经验或搜推广算法工程相关项目经历；\n2. 有海量数据处理经验或者大厂实习经验；\n3. 在算法竞赛中获得优异成绩（ACM-ICPC/挑战赛TOP10等）或者顶会论文发表。\n4. 实习要求至少3个月，最好达到半年以上。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}