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": "高性能计算加速软件工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "平头哥",
"location": "上海",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "平头哥",
"company_industry": "半导体 / 芯片设计",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "平头哥研发计算、存储及网络芯片，为人工智能基础设施提供支持。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机、电子相关专业硕士/博士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 深入研究 Attention、MoE、Gemm、Conv 等模型架构与核心计算模式，设计并实现极致性能的计算内核，支撑大语言模型、自动驾驶、具身智能等关键场景的高效推理与训练；\n2. 深入分析 AI 芯片硬件底层微架构特性，软硬协同设计榨干芯片每一份性能潜力；\n3. 深度参与主流推理与训练框架（如 PyTorch、vLLM、SGLang）的性能优化，落实 Qwen、DeepSeek 等千亿级参数模型的极速部署；\n4. 追踪 AI 领域最新的加速技术方案，与芯片架构团队紧密协作，共同定义下一代 AI 芯片的计算原语与编程模型，推动软硬一体的技术演进；\n5. 探索并落地 Agent 智能体驱动的高效开发范式——重新定义 kernel 开发、调优与性能泛化的效率上限。",
"requirements_text": "1. 计算机、电子相关专业硕士/博士及以上学历；精通 C/C++； \n2. 基础扎实：对数据结构、算法、操作系统及计算机体系机构有深刻的理解； \n3. 具备快速学习能力和动手能力，能主动追踪社区最前沿的 AI 加速技术。 \n4. 加分项：\n○ 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验； \n○ 有 Pytorch/vLLM/sglang/cutlass 等开源框架的深度使用或代码贡献经历；\n○ 熟悉大模型相关技术（如量化、KV Cache 管理、MoE 负载均衡等）； \n○ 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。",
"skills": [AI生成
"C++",
"PyTorch",
"CUDA",
"数据结构",
"学习能力",
"建模",
"大语言模型",
"C语言"
],
"preferred_qualifications": "4. 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/199907820056?deptCodes="
}
]
},
"posting": {
"posting_id": "199907820056",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907820056?deptCodes="
},
"fulltext": "高性能计算加速软件工程师\n高性能计算加速软件工程师\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：上海\n\n职位描述\n1. 深入研究 Attention、MoE、Gemm、Conv 等模型架构与核心计算模式，设计并实现极致性能的计算内核，支撑大语言模型、自动驾驶、具身智能等关键场景的高效推理与训练；\n2. 深入分析 AI 芯片硬件底层微架构特性，软硬协同设计榨干芯片每一份性能潜力；\n3. 深度参与主流推理与训练框架（如 PyTorch、vLLM、SGLang）的性能优化，落实 Qwen、DeepSeek 等千亿级参数模型的极速部署；\n4. 追踪 AI 领域最新的加速技术方案，与芯片架构团队紧密协作，共同定义下一代 AI 芯片的计算原语与编程模型，推动软硬一体的技术演进；\n5. 探索并落地 Agent 智能体驱动的高效开发范式——重新定义 kernel 开发、调优与性能泛化的效率上限。\n\n职位要求\n1. 计算机、电子相关专业硕士/博士及以上学历；精通 C/C++； \n2. 基础扎实：对数据结构、算法、操作系统及计算机体系机构有深刻的理解； \n3. 具备快速学习能力和动手能力，能主动追踪社区最前沿的 AI 加速技术。 \n4. 加分项：\n○ 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验； \n○ 有 Pytorch/vLLM/sglang/cutlass 等开源框架的深度使用或代码贡献经历；\n○ 熟悉大模型相关技术（如量化、KV Cache 管理、MoE 负载均衡等）； \n○ 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。\n\n在招业务\n平头哥\n1. 深入研究 Attention、MoE、Gemm、Conv 等模型架构与核心计算模式，设计并实现极致性能的计算内核，支撑大语言模型、自动驾驶、具身智能等关键场景的高效推理与训练；\n2. 深入分析 AI 芯片硬件底层微架构特性，软硬协同设计榨干芯片每一份性能潜力；\n3. 深度参与主流推理与训练框架（如 PyTorch、vLLM、SGLang）的性能优化，落实 Qwen、DeepSeek 等千亿级参数模型的极速部署；\n4. 追踪 AI 领域最新的加速技术方案，与芯片架构团队紧密协作，共同定义下一代 AI 芯片的计算原语与编程模型，推动软硬一体的技术演进；\n5. 探索并落地 Agent 智能体驱动的高效开发范式——重新定义 kernel 开发、调优与性能泛化的效率上限。\n1. 计算机、电子相关专业硕士/博士及以上学历；精通 C/C++； \n2. 基础扎实：对数据结构、算法、操作系统及计算机体系机构有深刻的理解； \n3. 具备快速学习能力和动手能力，能主动追踪社区最前沿的 AI 加速技术。 \n4. 加分项：\n○ 熟悉 CUDA 开发，有高性能计算（HPC）或算子优化经验； \n○ 有 Pytorch/vLLM/sglang/cutlass 等开源框架的深度使用或代码贡献经历；\n○ 熟悉大模型相关技术（如量化、KV Cache 管理、MoE 负载均衡等）； \n○ 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}