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": "AI Infra 研发工程师（J104808）",
"job_level": "未披露",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": "-建设业界领先的AI异构算力容器平台，提供高性能、高稳定性、高易用性的百舸产品，支持AIGC、智算中心、金融、能源等客户AI应用高效部署和使用\n-结合 SOTA 模型训练推理优化原理，深入模型结构与设计思路，将训练推理优化手段工程实践化，为客户提供系统性加速方案，提升训推效率\n-在自研芯片上适配常见大模型，结合深度学习训推框架特性，开发或调优相关算子，提升模型在芯片上的性能和精度表现，辅助客户进行芯片选型和应用\n-针对大规模异构集群场景下，探索训推任务管理、异构资源调度、虚拟化混布、容器存储、高性能网络、分布式训练和推理等技术的创新和应用\n-探索业界最新技术方向，参与机器学习框架等开源社区，提升百度混合云AI核心竞争力",
"requirements_text": "-本科及以上学历，有一定程度的计算机相关专业知识背景\n-优秀的编码能力，熟悉Golang/Python/Java/C/C++至少一项，有扎实的算法及数据结构基础，有良好的编程习惯。\n-熟悉PyTorch，了解Megatron、DeepSpeed、vLLM、SGLang等大模型训推框架，做过测试、开发等工作。\n-对GPU芯片架构有一定了解者优先，熟悉CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先\n-具备以下至少一个领域的深度实践经验优先：\n-推理优化：FlashAttention、PD分离、专家并行、负载均衡、模型压缩（蒸馏/量化）、缓存策略、异构计算加速；\n-训练优化：分布式训练、显存优化（如Zero/Offload）、计算通信Overlap、混合精度、MoE架构调优；\n-熟悉Kubernetes工作原理，熟悉调度器、资源扩展机制、容器运行时、容器网络等技术，有Kubernetes开发和维护经验优先\n-有独立的分析问题和解决问题的能力，有强烈的责任心，较强的学习能力和沟通能力",
"skills": [AI生成
"Python",
"Java",
"C++",
"Golang",
"Kubernetes",
"PyTorch",
"CUDA",
"数据结构",
"沟通能力",
"解决问题",
"学习能力",
"大语言模型",
"C语言"
],
"preferred_qualifications": "对GPU芯片架构有一定了解者优先，熟悉CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先；具备以下至少一个领域的深度实践经验优先：；熟悉Kubernetes工作原理，熟悉调度器、资源扩展机制、容器运行时、容器网络等技术，有Kubernetes开发和维护经验优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/f261d963-45f3-4f8b-b6eb-c4e5e1d5de55"
}
]
},
"posting": {
"posting_id": "f261d963-45f3-4f8b-b6eb-c4e5e1d5de55",
"post_date": "2026-08-20",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/f261d963-45f3-4f8b-b6eb-c4e5e1d5de55"
},
"fulltext": "AI Infra 研发工程师（J104808）\nAI Infra 研发工程师（J104808）\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：4\n发布时间：2026-08-20\n\n工作职责\n-建设业界领先的AI异构算力容器平台，提供高性能、高稳定性、高易用性的百舸产品，支持AIGC、智算中心、金融、能源等客户AI应用高效部署和使用\n-结合 SOTA 模型训练推理优化原理，深入模型结构与设计思路，将训练推理优化手段工程实践化，为客户提供系统性加速方案，提升训推效率\n-在自研芯片上适配常见大模型，结合深度学习训推框架特性，开发或调优相关算子，提升模型在芯片上的性能和精度表现，辅助客户进行芯片选型和应用\n-针对大规模异构集群场景下，探索训推任务管理、异构资源调度、虚拟化混布、容器存储、高性能网络、分布式训练和推理等技术的创新和应用\n-探索业界最新技术方向，参与机器学习框架等开源社区，提升百度混合云AI核心竞争力\n\n职责要求\n-本科及以上学历，有一定程度的计算机相关专业知识背景\n-优秀的编码能力，熟悉Golang/Python/Java/C/C++至少一项，有扎实的算法及数据结构基础，有良好的编程习惯。\n-熟悉PyTorch，了解Megatron、DeepSpeed、vLLM、SGLang等大模型训推框架，做过测试、开发等工作。\n-对GPU芯片架构有一定了解者优先，熟悉CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先\n-具备以下至少一个领域的深度实践经验优先：\n-推理优化：FlashAttention、PD分离、专家并行、负载均衡、模型压缩（蒸馏/量化）、缓存策略、异构计算加速；\n-训练优化：分布式训练、显存优化（如Zero/Offload）、计算通信Overlap、混合精度、MoE架构调优；\n-熟悉Kubernetes工作原理，熟悉调度器、资源扩展机制、容器运行时、容器网络等技术，有Kubernetes开发和维护经验优先\n-有独立的分析问题和解决问题的能力，有强烈的责任心，较强的学习能力和沟通能力\n-建设业界领先的AI异构算力容器平台，提供高性能、高稳定性、高易用性的百舸产品，支持AIGC、智算中心、金融、能源等客户AI应用高效部署和使用\n-结合 SOTA 模型训练推理优化原理，深入模型结构与设计思路，将训练推理优化手段工程实践化，为客户提供系统性加速方案，提升训推效率\n-在自研芯片上适配常见大模型，结合深度学习训推框架特性，开发或调优相关算子，提升模型在芯片上的性能和精度表现，辅助客户进行芯片选型和应用\n-针对大规模异构集群场景下，探索训推任务管理、异构资源调度、虚拟化混布、容器存储、高性能网络、分布式训练和推理等技术的创新和应用\n-探索业界最新技术方向，参与机器学习框架等开源社区，提升百度混合云AI核心竞争力\n-本科及以上学历，有一定程度的计算机相关专业知识背景\n-优秀的编码能力，熟悉Golang/Python/Java/C/C++至少一项，有扎实的算法及数据结构基础，有良好的编程习惯。\n-熟悉PyTorch，了解Megatron、DeepSpeed、vLLM、SGLang等大模型训推框架，做过测试、开发等工作。\n-对GPU芯片架构有一定了解者优先，熟悉CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先\n-具备以下至少一个领域的深度实践经验优先：\n-推理优化：FlashAttention、PD分离、专家并行、负载均衡、模型压缩（蒸馏/量化）、缓存策略、异构计算加速；\n-训练优化：分布式训练、显存优化（如Zero/Offload）、计算通信Overlap、混合精度、MoE架构调优；\n-熟悉Kubernetes工作原理，熟悉调度器、资源扩展机制、容器运行时、容器网络等技术，有Kubernetes开发和维护经验优先\n-有独立的分析问题和解决问题的能力，有强烈的责任心，较强的学习能力和沟通能力",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T018"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}