主分类：AI训练推理与计算优化
辅助：云基础设施与系统软件研发（仅展示）
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": "GPU虚拟化高级研发工程师（J100463）",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "ACG",
"location": "北京市,上海市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "-本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-负责公有云 GPU 虚拟化底层内核模块的研发，包括 KVM/QEMU 虚拟化层优化、GPU 驱动内核态适配与改造，推动 GPU 虚拟化产品（sGPU/vGPU/cGPU/MIG）的技术演进\n-参与 GPU 实例运行时在线诊断体系建设，研发面向 GPU 卡、NVSwitch、驱动、NCCL 通信等各层的健康检测、故障自愈与根因定位工具\n-负责 GPU 实例全栈性能调优，覆盖 IOMMU/SR-IOV 直通、P2P 通信、NVLink 拓扑、大页内存、NUMA 亲和等关键路径，驱动端到端性能提升\n-负责内核态 GPU 驱动开发与定制，包括驱动重构、驱动热升级、多版本驱动管理框架建设\n-负责 GPU 虚拟化场景下的算力隔离与混部调度，研究显存隔离、算力切分等关键机制\n-面向 LLM 推理场景，研究 KVCache 分层存储与虚拟化支撑：设计 GPU 显存 → CPU 内存 → NVMe 的 KVCache 分级 offloading 机制（参考 LMCache/vLLM L2 Cache），支持跨推理实例的 P2P KVCache 共享与迁移，减少显存碎片化，提升高并发推理下的显存利用率与 TTFT 延迟\n-面向 Agentic AI 场景，探索多 Agent 并发下的 GPU 资源隔离与沙箱安全方案：基于 MPS/MIG/SR-IOV 实现 Agent 间 GPU 算力与显存的强隔离，防范 Agent 间显存越界与信息泄露，支撑 AI 平台代码执行沙箱的 GPU 安全访问\n-跟踪内核社区（lore.kernel.org/kvm）、NVIDIA 开源驱动及 GPU 虚拟化领域最新技术进展，推动关键技术在产品中落地",
"requirements_text": "-基础要求\n-本科及以上学历，精通 C/C++ 语言，熟悉 Shell、Python 等脚本语言\n-扎实掌握 Linux 内核基础，理解内存管理、进程调度、设备驱动、中断处理等核心子系统\n-具备内核模块开发与调试能力，熟悉 ftrace、perf、eBPF 等内核诊断工具\n-核心优先\n-熟悉 KVM/QEMU 虚拟化框架，有设备直通（SR-IOV/VFIO）开发经验者优先\n-熟悉 NVIDIA GPU 驱动架构（用户态 + 内核态），了解 nvidia.ko 模块、UVM 驱动、NVSwitch/NVLink 工作机制者优先\n-有 GPU 在线诊断工具研发经验（DCGM、健康检查、故障根因分析）者优先\n-有 GPU 性能调优经验（NCCL 通信调优、P2P 性能分析、PCIe/NVLink 拓扑优化、大页/NUMA 调优）者优先\n-熟悉 CUDA、cuDNN、NCCL 等异构计算软件栈，理解 AI 训练/推理场景的资源使用模式者优先\n-加分项\n-有 GPU 显存隔离（UVM、MPS、MIG）或算力混部调度相关开发经验\n-熟悉 eBPF/ftrace 在 GPU 驱动层的性能分析应用\n-有 K8s GPU 插件（device-plugin）或 AI 计算调度相关经验\n-了解 LLM 推理框架（vLLM/TensorRT-LLM/SGLang）的 KVCache 管理机制，包括 PagedAttention、Chunked Prefill、Disaggregated Prefill/Decode 架构；有显存碎片优化、KVCache offloading（GPU→CPU→NVMe）或跨节点 KVCache P2P 共享实践经验者优先\n-了解 Agentic AI 平台架构（工具调用、多步推理、代码解释器等场景），有多 Agent 并发 GPU 资源隔离、GPU 沙箱安全设计或推理加速框架集成经验",
"skills": [AI生成
"Python",
"C++",
"Linux",
"CUDA",
"性能调优",
"大语言模型",
"C语言"
],
"preferred_qualifications": "核心优先；熟悉 KVM/QEMU 虚拟化框架，有设备直通（SR-IOV/VFIO）开发经验者优先；熟悉 NVIDIA GPU 驱动架构（用户态 + 内核态），了解 nvidia.ko 模块、UVM 驱动、NVSwitch/NVLink 工作机制者优先；有 GPU 在线诊断工具研发经验（DCGM、健康检查、故障根因分析）者优先；有 GPU 性能调优经验（NCCL 通信调优、P2P 性能分析、PCIe/NVLink 拓扑优化、大页/NUMA 调优）者优先；熟悉 CUDA、cuDNN、NCCL 等异构计算软件栈，理解 AI 训练/推理场景的资源使用模式者优先；加分项；有显存碎片优化、KVCache offloading（GPU→CPU→NVMe）或跨节点 KVCache P2P 共享实践经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/2c4d891d-4009-4fe4-8d1e-45abfff84ee8"
}
]
},
"posting": {
"posting_id": "2c4d891d-4009-4fe4-8d1e-45abfff84ee8",
"post_date": "2026-06-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/2c4d891d-4009-4fe4-8d1e-45abfff84ee8"
},
"fulltext": "GPU虚拟化高级研发工程师（J100463）\nGPU虚拟化高级研发工程师（J100463）\n\n基础信息\n部门：ACG\n地点：北京市,上海市\n类别：技术\n招聘人数：2\n发布时间：2026-07-21\n\n工作职责\n-负责公有云 GPU 虚拟化底层内核模块的研发，包括 KVM/QEMU 虚拟化层优化、GPU 驱动内核态适配与改造，推动 GPU 虚拟化产品（sGPU/vGPU/cGPU/MIG）的技术演进\n-参与 GPU 实例运行时在线诊断体系建设，研发面向 GPU 卡、NVSwitch、驱动、NCCL 通信等各层的健康检测、故障自愈与根因定位工具\n-负责 GPU 实例全栈性能调优，覆盖 IOMMU/SR-IOV 直通、P2P 通信、NVLink 拓扑、大页内存、NUMA 亲和等关键路径，驱动端到端性能提升\n-负责内核态 GPU 驱动开发与定制，包括驱动重构、驱动热升级、多版本驱动管理框架建设\n-负责 GPU 虚拟化场景下的算力隔离与混部调度，研究显存隔离、算力切分等关键机制\n-面向 LLM 推理场景，研究 KVCache 分层存储与虚拟化支撑：设计 GPU 显存 → CPU 内存 → NVMe 的 KVCache 分级 offloading 机制（参考 LMCache/vLLM L2 Cache），支持跨推理实例的 P2P KVCache 共享与迁移，减少显存碎片化，提升高并发推理下的显存利用率与 TTFT 延迟\n-面向 Agentic AI 场景，探索多 Agent 并发下的 GPU 资源隔离与沙箱安全方案：基于 MPS/MIG/SR-IOV 实现 Agent 间 GPU 算力与显存的强隔离，防范 Agent 间显存越界与信息泄露，支撑 AI 平台代码执行沙箱的 GPU 安全访问\n-跟踪内核社区（lore.kernel.org/kvm）、NVIDIA 开源驱动及 GPU 虚拟化领域最新技术进展，推动关键技术在产品中落地\n\n职责要求\n-基础要求\n-本科及以上学历，精通 C/C++ 语言，熟悉 Shell、Python 等脚本语言\n-扎实掌握 Linux 内核基础，理解内存管理、进程调度、设备驱动、中断处理等核心子系统\n-具备内核模块开发与调试能力，熟悉 ftrace、perf、eBPF 等内核诊断工具\n-核心优先\n-熟悉 KVM/QEMU 虚拟化框架，有设备直通（SR-IOV/VFIO）开发经验者优先\n-熟悉 NVIDIA GPU 驱动架构（用户态 + 内核态），了解 nvidia.ko 模块、UVM 驱动、NVSwitch/NVLink 工作机制者优先\n-有 GPU 在线诊断工具研发经验（DCGM、健康检查、故障根因分析）者优先\n-有 GPU 性能调优经验（NCCL 通信调优、P2P 性能分析、PCIe/NVLink 拓扑优化、大页/NUMA 调优）者优先\n-熟悉 CUDA、cuDNN、NCCL 等异构计算软件栈，理解 AI 训练/推理场景的资源使用模式者优先\n-加分项\n-有 GPU 显存隔离（UVM、MPS、MIG）或算力混部调度相关开发经验\n-熟悉 eBPF/ftrace 在 GPU 驱动层的性能分析应用\n-有 K8s GPU 插件（device-plugin）或 AI 计算调度相关经验\n-了解 LLM 推理框架（vLLM/TensorRT-LLM/SGLang）的 KVCache 管理机制，包括 PagedAttention、Chunked Prefill、Disaggregated Prefill/Decode 架构；有显存碎片优化、KVCache offloading（GPU→CPU→NVMe）或跨节点 KVCache P2P 共享实践经验者优先\n-了解 Agentic AI 平台架构（工具调用、多步推理、代码解释器等场景），有多 Agent 并发 GPU 资源隔离、GPU 沙箱安全设计或推理加速框架集成经验\n-负责公有云 GPU 虚拟化底层内核模块的研发，包括 KVM/QEMU 虚拟化层优化、GPU 驱动内核态适配与改造，推动 GPU 虚拟化产品（sGPU/vGPU/cGPU/MIG）的技术演进\n-参与 GPU 实例运行时在线诊断体系建设，研发面向 GPU 卡、NVSwitch、驱动、NCCL 通信等各层的健康检测、故障自愈与根因定位工具\n-负责 GPU 实例全栈性能调优，覆盖 IOMMU/SR-IOV 直通、P2P 通信、NVLink 拓扑、大页内存、NUMA 亲和等关键路径，驱动端到端性能提升\n-负责内核态 GPU 驱动开发与定制，包括驱动重构、驱动热升级、多版本驱动管理框架建设\n-负责 GPU 虚拟化场景下的算力隔离与混部调度，研究显存隔离、算力切分等关键机制\n-面向 LLM 推理场景，研究 KVCache 分层存储与虚拟化支撑：设计 GPU 显存 → CPU 内存 → NVMe 的 KVCache 分级 offloading 机制（参考 LMCache/vLLM L2 Cache），支持跨推理实例的 P2P KVCache 共享与迁移，减少显存碎片化，提升高并发推理下的显存利用率与 TTFT 延迟\n-面向 Agentic AI 场景，探索多 Agent 并发下的 GPU 资源隔离与沙箱安全方案：基于 MPS/MIG/SR-IOV 实现 Agent 间 GPU 算力与显存的强隔离，防范 Agent 间显存越界与信息泄露，支撑 AI 平台代码执行沙箱的 GPU 安全访问\n-跟踪内核社区（lore.kernel.org/kvm）、NVIDIA 开源驱动及 GPU 虚拟化领域最新技术进展，推动关键技术在产品中落地\n-基础要求\n-本科及以上学历，精通 C/C++ 语言，熟悉 Shell、Python 等脚本语言\n-扎实掌握 Linux 内核基础，理解内存管理、进程调度、设备驱动、中断处理等核心子系统\n-具备内核模块开发与调试能力，熟悉 ftrace、perf、eBPF 等内核诊断工具\n-核心优先\n-熟悉 KVM/QEMU 虚拟化框架，有设备直通（SR-IOV/VFIO）开发经验者优先\n-熟悉 NVIDIA GPU 驱动架构（用户态 + 内核态），了解 nvidia.ko 模块、UVM 驱动、NVSwitch/NVLink 工作机制者优先\n-有 GPU 在线诊断工具研发经验（DCGM、健康检查、故障根因分析）者优先\n-有 GPU 性能调优经验（NCCL 通信调优、P2P 性能分析、PCIe/NVLink 拓扑优化、大页/NUMA 调优）者优先\n-熟悉 CUDA、cuDNN、NCCL 等异构计算软件栈，理解 AI 训练/推理场景的资源使用模式者优先\n-加分项\n-有 GPU 显存隔离（UVM、MPS、MIG）或算力混部调度相关开发经验\n-熟悉 eBPF/ftrace 在 GPU 驱动层的性能分析应用\n-有 K8s GPU 插件（device-plugin）或 AI 计算调度相关经验\n-了解 LLM 推理框架（vLLM/TensorRT-LLM/SGLang）的 KVCache 管理机制，包括 PagedAttention、Chunked Prefill、Disaggregated Prefill/Decode 架构；有显存碎片优化、KVCache offloading（GPU→CPU→NVMe）或跨节点 KVCache P2P 共享实践经验者优先\n-了解 Agentic AI 平台架构（工具调用、多步推理、代码解释器等场景），有多 Agent 并发 GPU 资源隔离、GPU 沙箱安全设计或推理加速框架集成经验",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T018"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}