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": "【基座大模型北斗实习】高性能计算与大模型系统优化",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "简介：参与面向大模型训练/推理的高性能计算与系统优化工作，可根据个人背景和研究兴趣选择以下方向之一深入推进：\n1、面向GPU/NPU 等多硬件平台的算子开发与极致性能优化(CUDA/Cutlass/TileLang)。\n2、跟踪前沿模型算法并完成高性能工程落地，深入框架层开展算子融合、内存/通信优化、流水编排等系统级性能调优。\n3、探索基于大模型的高性能 Kernel 自动合成技术，参考 LLM-driven Kernel Generation 范式，研究高效 GPU/NPU Kernel 的端到端自动生成与迭代优化方法。\n4、基于DSL（如 Triton、TVM TIR、Halide 等）的编译优化与自动调优技术研究。\n5、多硬件后端（NVIDIA/国产芯片）的统一算子库建设与迁移适配。",
"requirements_text": "1、GPU编程:写过CUDA kernel，理解warp/SM/显存层次结构；\n2、训练框架:用过或改过Megatron/DeepSpeed/FSDP，不只是跑过demo；\n3、通信系统:了解NCCL原理，或有网络协议栈/RDMA相关经验；\n4、编译优化：接触过 XLA/TorchInductor/TVM 等编译器，或做过IR优化；\n5、顶会论文：MLSys/OSDI/SOSP/ATC/ISCA 等系统顶会在手。",
"skills": [AI生成
"CUDA"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4348841233&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4348841233",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4348841233&jobShareType=1"
},
"fulltext": "【基座大模型北斗实习】高性能计算与大模型系统优化\n【基座大模型北斗实习】高性能计算与大模型系统优化\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-04-03\n\n岗位职责\n简介：参与面向大模型训练/推理的高性能计算与系统优化工作，可根据个人背景和研究兴趣选择以下方向之一深入推进：\n1、面向GPU/NPU 等多硬件平台的算子开发与极致性能优化(CUDA/Cutlass/TileLang)。\n2、跟踪前沿模型算法并完成高性能工程落地，深入框架层开展算子融合、内存/通信优化、流水编排等系统级性能调优。\n3、探索基于大模型的高性能 Kernel 自动合成技术，参考 LLM-driven Kernel Generation 范式，研究高效 GPU/NPU Kernel 的端到端自动生成与迭代优化方法。\n4、基于DSL（如 Triton、TVM TIR、Halide 等）的编译优化与自动调优技术研究。\n5、多硬件后端（NVIDIA/国产芯片）的统一算子库建设与迁移适配。\n\n岗位基本要求\n1、GPU编程:写过CUDA kernel，理解warp/SM/显存层次结构；\n2、训练框架:用过或改过Megatron/DeepSpeed/FSDP，不只是跑过demo；\n3、通信系统:了解NCCL原理，或有网络协议栈/RDMA相关经验；\n4、编译优化：接触过 XLA/TorchInductor/TVM 等编译器，或做过IR优化；\n5、顶会论文：MLSys/OSDI/SOSP/ATC/ISCA 等系统顶会在手。\n简介：参与面向大模型训练/推理的高性能计算与系统优化工作，可根据个人背景和研究兴趣选择以下方向之一深入推进：\n1、面向GPU/NPU 等多硬件平台的算子开发与极致性能优化(CUDA/Cutlass/TileLang)。\n2、跟踪前沿模型算法并完成高性能工程落地，深入框架层开展算子融合、内存/通信优化、流水编排等系统级性能调优。\n3、探索基于大模型的高性能 Kernel 自动合成技术，参考 LLM-driven Kernel Generation 范式，研究高效 GPU/NPU Kernel 的端到端自动生成与迭代优化方法。\n4、基于DSL（如 Triton、TVM TIR、Halide 等）的编译优化与自动调优技术研究。\n5、多硬件后端（NVIDIA/国产芯片）的统一算子库建设与迁移适配。\n1、GPU编程:写过CUDA kernel，理解warp/SM/显存层次结构；\n2、训练框架:用过或改过Megatron/DeepSpeed/FSDP，不只是跑过demo；\n3、通信系统:了解NCCL原理，或有网络协议栈/RDMA相关经验；\n4、编译优化：接触过 XLA/TorchInductor/TVM 等编译器，或做过IR优化；\n5、顶会论文：MLSys/OSDI/SOSP/ATC/ISCA 等系统顶会在手。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}