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": "LongCat - 大模型训练 AI 工程师（多方向）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "核心本地商业-基础研发平台",
"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": 3,
"degree": "• 计算机、电子工程、数学等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "本岗位覆盖以下主要技术方向：\n\n方向一：文本/多模态预训练\n• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性\n• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐\n• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证\n• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向\n\n方向二：强化学习框架\n• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程\n• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代\n• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统\n• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障\n\n\n方向三：异构算力适配\n• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime\n• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践\n• 面向RL采样场景，深入优化NPU架构的推理性能\n• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案\n\n\n方向四：高性能内核\n• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间\n• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）",
"requirements_text": "• 计算机、电子工程、数学等相关专业硕士及以上学历\n• 3年以上大模型训练/推理/分布式系统相关开发经验\n• 熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现\n• 熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验\n• 扎实的C++/Python/CUDA编程能力，有性能优化经验\n• 有实际参与过10B+参数规模模型训练的项目经验",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"CUDA",
"分布式系统",
"模型训练",
"性能优化",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "单体规模数万卡的超大规模训练，模型结构和硬件架构深度联合设计，先进的显存、计算和通信优化。\n\n业界前列规模的计算集群，海量数据和丰富的应用场景，深度参与美团的大模型研发工作，一起创造更美好的未来科技。"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4480704667&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4480704667",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4480704667&jobShareType=1"
},
"fulltext": "LongCat - 大模型训练 AI 工程师（多方向）\nLongCat - 大模型训练 AI 工程师（多方向）\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：算法\n更新时间：2026-05-29\n\n岗位职责\n本岗位覆盖以下主要技术方向：\n\n方向一：文本/多模态预训练\n• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性\n• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐\n• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证\n• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向\n\n方向二：强化学习框架\n• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程\n• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代\n• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统\n• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障\n\n\n方向三：异构算力适配\n• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime\n• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践\n• 面向RL采样场景，深入优化NPU架构的推理性能\n• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案\n\n\n方向四：高性能内核\n• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间\n• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）\n\n岗位基本要求\n• 计算机、电子工程、数学等相关专业硕士及以上学历\n• 3年以上大模型训练/推理/分布式系统相关开发经验\n• 熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现\n• 熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验\n• 扎实的C++/Python/CUDA编程能力，有性能优化经验\n• 有实际参与过10B+参数规模模型训练的项目经验\n\n岗位亮点\n单体规模数万卡的超大规模训练，模型结构和硬件架构深度联合设计，先进的显存、计算和通信优化。\n\n业界前列规模的计算集群，海量数据和丰富的应用场景，深度参与美团的大模型研发工作，一起创造更美好的未来科技。\n本岗位覆盖以下主要技术方向：\n\n方向一：文本/多模态预训练\n• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性\n• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐\n• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证\n• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向\n\n方向二：强化学习框架\n• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程\n• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代\n• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统\n• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障\n\n\n方向三：异构算力适配\n• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime\n• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践\n• 面向RL采样场景，深入优化NPU架构的推理性能\n• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案\n\n\n方向四：高性能内核\n• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间\n• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）\n• 计算机、电子工程、数学等相关专业硕士及以上学历\n• 3年以上大模型训练/推理/分布式系统相关开发经验\n• 熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现\n• 熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验\n• 扎实的C++/Python/CUDA编程能力，有性能优化经验\n• 有实际参与过10B+参数规模模型训练的项目经验",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}