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": "【北斗】广告大模型训练推理工程师",
"job_level": "校招",AI生成
"work_category": "全职",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": "2027届本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【愿景】\n我们致力于构建健康的本地商业生态，通过为平台客户和消费者提供符合其需求的多元、便捷、高效的商业产品和服务，帮助生态伙伴提高效率、优化经营、实现持续健康发展，推动本地商业数字化营销的发展，促进商业生态繁荣。\n\n【你将参与】\n1.生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略。\n2.高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求。\n3.低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题。\n4.广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务。",
"requirements_text": "【任职资格】\n2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：\n1.有大厂实验室的实习经验，或有贡献突出的开源项目，熟悉PyTorch、Megatron、vLLM/SGLang等机器学习框架，有大规模分布式系统开发经验。\n2.在ACM-ICPC（国际大学生程序设计竞赛）、Kaggle、数学建模竞赛（如MCM/ICM）、奥赛（数学、物理、信息学等）等取得显著成绩。\n3.在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。重点关注ICLR，NeurIPS,ACL, EMNLP, ICML, TPAMI, TASLP, TKDD上有一作论文的候选人。\n4.社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先。\n【为什么是我们】\n1.算力资源充足，问题规模真实：接触真实 GPU 集群、训练任务调度、推理集群和资源治理，在工业级场景下优化 GPU 利用率、任务吞吐、训练稳定性和单位算力成本，技术栈横跨 AI、系统、平台和工程架构，成长面很宽。\n2.技术挑战硬核，工程深度足：大稀疏+大稠密模型课题，既有传统TB级别的稀疏Embedding，又有LLM规模的Dense。既要搞定稀疏多级异构存储，又要搞定大模型场景下的混合精度、并行策略、通信等难题，以及推理系统上的吞吐、延迟、模型量化等工作。\n3.带教资源好，能快速补齐 AI + Infra 复合能力：紧密合作的算法专家团队，补充AI模型领域知；资深 AI Infra专家 1V1指导，全程重度参与系统设计和实现。",
"skills": [AI生成
"PyTorch",
"机器学习",
"分布式系统",
"建模",
"大语言模型"
],
"preferred_qualifications": "4.社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先",
"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=4531271375&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4531271375",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4531271375&jobShareType=1"
},
"fulltext": "【北斗】广告大模型训练推理工程师\n【北斗】广告大模型训练推理工程师\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：2026-06-03\n\n岗位职责\n【愿景】\n我们致力于构建健康的本地商业生态，通过为平台客户和消费者提供符合其需求的多元、便捷、高效的商业产品和服务，帮助生态伙伴提高效率、优化经营、实现持续健康发展，推动本地商业数字化营销的发展，促进商业生态繁荣。\n\n【你将参与】\n1.生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略。\n2.高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求。\n3.低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题。\n4.广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务。\n\n岗位基本要求\n【任职资格】\n2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：\n1.有大厂实验室的实习经验，或有贡献突出的开源项目，熟悉PyTorch、Megatron、vLLM/SGLang等机器学习框架，有大规模分布式系统开发经验。\n2.在ACM-ICPC（国际大学生程序设计竞赛）、Kaggle、数学建模竞赛（如MCM/ICM）、奥赛（数学、物理、信息学等）等取得显著成绩。\n3.在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。重点关注ICLR，NeurIPS,ACL, EMNLP, ICML, TPAMI, TASLP, TKDD上有一作论文的候选人。\n4.社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先。\n【为什么是我们】\n1.算力资源充足，问题规模真实：接触真实 GPU 集群、训练任务调度、推理集群和资源治理，在工业级场景下优化 GPU 利用率、任务吞吐、训练稳定性和单位算力成本，技术栈横跨 AI、系统、平台和工程架构，成长面很宽。\n2.技术挑战硬核，工程深度足：大稀疏+大稠密模型课题，既有传统TB级别的稀疏Embedding，又有LLM规模的Dense。既要搞定稀疏多级异构存储，又要搞定大模型场景下的混合精度、并行策略、通信等难题，以及推理系统上的吞吐、延迟、模型量化等工作。\n3.带教资源好，能快速补齐 AI + Infra 复合能力：紧密合作的算法专家团队，补充AI模型领域知；资深 AI Infra专家 1V1指导，全程重度参与系统设计和实现。\n【愿景】\n我们致力于构建健康的本地商业生态，通过为平台客户和消费者提供符合其需求的多元、便捷、高效的商业产品和服务，帮助生态伙伴提高效率、优化经营、实现持续健康发展，推动本地商业数字化营销的发展，促进商业生态繁荣。\n\n【你将参与】\n1.生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略。\n2.高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求。\n3.低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题。\n4.广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务。\n【任职资格】\n2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：\n1.有大厂实验室的实习经验，或有贡献突出的开源项目，熟悉PyTorch、Megatron、vLLM/SGLang等机器学习框架，有大规模分布式系统开发经验。\n2.在ACM-ICPC（国际大学生程序设计竞赛）、Kaggle、数学建模竞赛（如MCM/ICM）、奥赛（数学、物理、信息学等）等取得显著成绩。\n3.在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。重点关注ICLR，NeurIPS,ACL, EMNLP, ICML, TPAMI, TASLP, TKDD上有一作论文的候选人。\n4.社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先。\n【为什么是我们】\n1.算力资源充足，问题规模真实：接触真实 GPU 集群、训练任务调度、推理集群和资源治理，在工业级场景下优化 GPU 利用率、任务吞吐、训练稳定性和单位算力成本，技术栈横跨 AI、系统、平台和工程架构，成长面很宽。\n2.技术挑战硬核，工程深度足：大稀疏+大稠密模型课题，既有传统TB级别的稀疏Embedding，又有LLM规模的Dense。既要搞定稀疏多级异构存储，又要搞定大模型场景下的混合精度、并行策略、通信等难题，以及推理系统上的吞吐、延迟、模型量化等工作。\n3.带教资源好，能快速补齐 AI + Infra 复合能力：紧密合作的算法专家团队，补充AI模型领域知；资深 AI Infra专家 1V1指导，全程重度参与系统设计和实现。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}