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": "内容生态研发部_ 推理性能优化工程师（J85683）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "MEG",
"location": "北京市",
"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": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-负责内容架构相关开发工作，工作内容包括但不限于：模型推理性能优化、推理卡集群GPU利用率治理、模型服务化、GPU资源调度功能研发等\n-负责多模态LLM和Diffusion Model的推理性能的极致优化，保持业界SOTA\n-紧跟多模态LLM、视频生成领域最新研究进展和技术趋势，协同策略团队完成业务落地\n-和团队一起攻克高性能、高并发、高可用性等各种不同技术场景下的技术挑战",
"requirements_text": "-熟练掌握Linux环境下的C/C++、Python语言，熟悉docker使用\n-熟悉深度学习基本原理和Pytorch深度学习框架，有对Pytorch框架二次开发经验者优先\n-熟悉Transformer模型及其应用场景，熟练掌握至少一种开源社区的大模型推理框架，如vLLM、SGLang、TensorRT-LLM、LightLLM等\n-熟练GPU的高性能计算优化技术，深入理解计算机体系结构，熟悉并行计算优化、访存优化，低比特计算等，有CUDA开发经验者优先\n-具备良好的论文阅读分析和文档撰写能力，独立解决问题的能力，良好的团队合作精神\n【加分项】\n-具备机器学习平台或者大模型推理加速相关研发经验者优先\n-参与开源分布式推理框架项目开发，并提供相应代码贡献者优先",
"skills": [AI生成
"Python",
"C++",
"Linux",
"Docker",
"PyTorch",
"CUDA",
"机器学习",
"深度学习",
"团队协作",
"解决问题",
"大语言模型"
],
"preferred_qualifications": "熟悉深度学习基本原理和Pytorch深度学习框架，有对Pytorch框架二次开发经验者优先；熟练GPU的高性能计算优化技术，深入理解计算机体系结构，熟悉并行计算优化、访存优化，低比特计算等，有CUDA开发经验者优先；【加分项】；具备机器学习平台或者大模型推理加速相关研发经验者优先；参与开源分布式推理框架项目开发，并提供相应代码贡献者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/81aa8e77-73f0-41ff-b54b-844c23017fac"
}
]
},
"posting": {
"posting_id": "81aa8e77-73f0-41ff-b54b-844c23017fac",
"post_date": "2025-06-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/81aa8e77-73f0-41ff-b54b-844c23017fac"
},
"fulltext": "内容生态研发部_ 推理性能优化工程师（J85683）\n内容生态研发部_ 推理性能优化工程师（J85683）\n\n基础信息\n部门：MEG\n地点：北京市\n类别：技术\n招聘人数：1\n发布时间：2026-07-21\n\n工作职责\n-负责内容架构相关开发工作，工作内容包括但不限于：模型推理性能优化、推理卡集群GPU利用率治理、模型服务化、GPU资源调度功能研发等\n-负责多模态LLM和Diffusion Model的推理性能的极致优化，保持业界SOTA\n-紧跟多模态LLM、视频生成领域最新研究进展和技术趋势，协同策略团队完成业务落地\n-和团队一起攻克高性能、高并发、高可用性等各种不同技术场景下的技术挑战\n\n职责要求\n-熟练掌握Linux环境下的C/C++、Python语言，熟悉docker使用\n-熟悉深度学习基本原理和Pytorch深度学习框架，有对Pytorch框架二次开发经验者优先\n-熟悉Transformer模型及其应用场景，熟练掌握至少一种开源社区的大模型推理框架，如vLLM、SGLang、TensorRT-LLM、LightLLM等\n-熟练GPU的高性能计算优化技术，深入理解计算机体系结构，熟悉并行计算优化、访存优化，低比特计算等，有CUDA开发经验者优先\n-具备良好的论文阅读分析和文档撰写能力，独立解决问题的能力，良好的团队合作精神\n【加分项】\n-具备机器学习平台或者大模型推理加速相关研发经验者优先\n-参与开源分布式推理框架项目开发，并提供相应代码贡献者优先\n-负责内容架构相关开发工作，工作内容包括但不限于：模型推理性能优化、推理卡集群GPU利用率治理、模型服务化、GPU资源调度功能研发等\n-负责多模态LLM和Diffusion Model的推理性能的极致优化，保持业界SOTA\n-紧跟多模态LLM、视频生成领域最新研究进展和技术趋势，协同策略团队完成业务落地\n-和团队一起攻克高性能、高并发、高可用性等各种不同技术场景下的技术挑战\n-熟练掌握Linux环境下的C/C++、Python语言，熟悉docker使用\n-熟悉深度学习基本原理和Pytorch深度学习框架，有对Pytorch框架二次开发经验者优先\n-熟悉Transformer模型及其应用场景，熟练掌握至少一种开源社区的大模型推理框架，如vLLM、SGLang、TensorRT-LLM、LightLLM等\n-熟练GPU的高性能计算优化技术，深入理解计算机体系结构，熟悉并行计算优化、访存优化，低比特计算等，有CUDA开发经验者优先\n-具备良好的论文阅读分析和文档撰写能力，独立解决问题的能力，良好的团队合作精神\n【加分项】\n-具备机器学习平台或者大模型推理加速相关研发经验者优先\n-参与开源分布式推理框架项目开发，并提供相应代码贡献者优先",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}