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": "模型训练平台组_机器学习架构工程师（J82075）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "MEG",
"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": "-计算机、人工智能、数学等相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-负责商业广告场景生成式推荐大模型的端到端架构设计与落地，覆盖从预训练/微调、推理到在线评估的全流程，搭建高可用、高扩展的模型工程架构，支撑商业广告场景的生成式技术创新\n-负责生成式模型的训练加速与推理优化攻关，深入应用 Transformer/DeepSpeed/FlashAttention/SMoe等前沿技术，解决超长序列、编译优化、显存优化等关键瓶颈，打造业界领先的高吞吐、高稳定训推平台\n-深度协同算法策略团队，将 CTR/CVR 预估、序列建模及多模态大模型等前沿算法转化为高效的生产系统，建立从“实验原型”到“线上服务”的快速迭代机制，解决复杂场景下的工程适配难题，显著提升策略迭代效率与商业变现能力\n-跟踪推荐系统、生成式 AI 及大模型领域的最前沿学术论文，负责工程优化和策略算法的评估、复现和落地",
"requirements_text": "-计算机、人工智能、数学等相关专业本科及以上学历，博士学历或在 MLSys, SIGIR, KDD 等顶级会议有论文发表者优先\n-熟悉以下技术或者具备实战经验者优先：主流训练框架（PyTorch/TF/Paddle）、分布式训练架构（DeepSpeed/Megatron-LM）或者前沿训推加速技术（FlashAttention/PagedAttention/vLLM）\n-熟悉C++/Python/Linux/CUDA编程，具备GPU集群性能调优与问题诊断经验，能够独立解决内存、通信与计算瓶颈\n-熟悉搜索、广告、推荐系统领域，了解 CTR/CVR 预估、embedding技术、离散特征、序列化建模等技术\n-具备主动钻研新技术、学习能力强，对行业前沿的推荐、信息检索、生成式AI等技术动态有敏锐嗅觉，乐于探索、挑战难题并推动成果转化\n-具备良好的沟通与团队协作意识，责任心强，具备大型复杂业务背景下的项目推动与闭环能力",
"skills": [AI生成
"Python",
"C++",
"Linux",
"PyTorch",
"CUDA",
"性能调优",
"团队协作",
"学习能力",
"建模"
],
"preferred_qualifications": "计算机、人工智能、数学等相关专业本科及以上学历，博士学历或在 MLSys, SIGIR, KDD 等顶级会议有论文发表者优先；熟悉以下技术或者具备实战经验者优先：主流训练框架（PyTorch/TF/Paddle）、分布式训练架构（DeepSpeed/Megatron-LM）或者前沿训推加速技术（FlashAttention/PagedAttention/vLLM）",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/6959198d-9f3b-4c69-9a7a-a727ba8d3f98"
}
]
},
"posting": {
"posting_id": "6959198d-9f3b-4c69-9a7a-a727ba8d3f98",
"post_date": "2026-03-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/6959198d-9f3b-4c69-9a7a-a727ba8d3f98"
},
"fulltext": "模型训练平台组_机器学习架构工程师（J82075）\n模型训练平台组_机器学习架构工程师（J82075）\n\n基础信息\n部门：MEG\n地点：北京市,上海市\n类别：技术\n招聘人数：10\n发布时间：2026-07-21\n\n工作职责\n-负责商业广告场景生成式推荐大模型的端到端架构设计与落地，覆盖从预训练/微调、推理到在线评估的全流程，搭建高可用、高扩展的模型工程架构，支撑商业广告场景的生成式技术创新\n-负责生成式模型的训练加速与推理优化攻关，深入应用 Transformer/DeepSpeed/FlashAttention/SMoe等前沿技术，解决超长序列、编译优化、显存优化等关键瓶颈，打造业界领先的高吞吐、高稳定训推平台\n-深度协同算法策略团队，将 CTR/CVR 预估、序列建模及多模态大模型等前沿算法转化为高效的生产系统，建立从“实验原型”到“线上服务”的快速迭代机制，解决复杂场景下的工程适配难题，显著提升策略迭代效率与商业变现能力\n-跟踪推荐系统、生成式 AI 及大模型领域的最前沿学术论文，负责工程优化和策略算法的评估、复现和落地\n\n职责要求\n-计算机、人工智能、数学等相关专业本科及以上学历，博士学历或在 MLSys, SIGIR, KDD 等顶级会议有论文发表者优先\n-熟悉以下技术或者具备实战经验者优先：主流训练框架（PyTorch/TF/Paddle）、分布式训练架构（DeepSpeed/Megatron-LM）或者前沿训推加速技术（FlashAttention/PagedAttention/vLLM）\n-熟悉C++/Python/Linux/CUDA编程，具备GPU集群性能调优与问题诊断经验，能够独立解决内存、通信与计算瓶颈\n-熟悉搜索、广告、推荐系统领域，了解 CTR/CVR 预估、embedding技术、离散特征、序列化建模等技术\n-具备主动钻研新技术、学习能力强，对行业前沿的推荐、信息检索、生成式AI等技术动态有敏锐嗅觉，乐于探索、挑战难题并推动成果转化\n-具备良好的沟通与团队协作意识，责任心强，具备大型复杂业务背景下的项目推动与闭环能力\n-负责商业广告场景生成式推荐大模型的端到端架构设计与落地，覆盖从预训练/微调、推理到在线评估的全流程，搭建高可用、高扩展的模型工程架构，支撑商业广告场景的生成式技术创新\n-负责生成式模型的训练加速与推理优化攻关，深入应用 Transformer/DeepSpeed/FlashAttention/SMoe等前沿技术，解决超长序列、编译优化、显存优化等关键瓶颈，打造业界领先的高吞吐、高稳定训推平台\n-深度协同算法策略团队，将 CTR/CVR 预估、序列建模及多模态大模型等前沿算法转化为高效的生产系统，建立从“实验原型”到“线上服务”的快速迭代机制，解决复杂场景下的工程适配难题，显著提升策略迭代效率与商业变现能力\n-跟踪推荐系统、生成式 AI 及大模型领域的最前沿学术论文，负责工程优化和策略算法的评估、复现和落地\n-计算机、人工智能、数学等相关专业本科及以上学历，博士学历或在 MLSys, SIGIR, KDD 等顶级会议有论文发表者优先\n-熟悉以下技术或者具备实战经验者优先：主流训练框架（PyTorch/TF/Paddle）、分布式训练架构（DeepSpeed/Megatron-LM）或者前沿训推加速技术（FlashAttention/PagedAttention/vLLM）\n-熟悉C++/Python/Linux/CUDA编程，具备GPU集群性能调优与问题诊断经验，能够独立解决内存、通信与计算瓶颈\n-熟悉搜索、广告、推荐系统领域，了解 CTR/CVR 预估、embedding技术、离散特征、序列化建模等技术\n-具备主动钻研新技术、学习能力强，对行业前沿的推荐、信息检索、生成式AI等技术动态有敏锐嗅觉，乐于探索、挑战难题并推动成果转化\n-具备良好的沟通与团队协作意识，责任心强，具备大型复杂业务背景下的项目推动与闭环能力",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}