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": "【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "上海",
"work_mode": "未披露",AI生成
"job_category": "J1013"AI生成
},
"company": {
"company_name": "快手科技",
"company_industry": "内容社区 / 直播 / 电商 / 人工智能",
"company_size": "10000人以上",
"company_website": "kuaishou.com",
"company_description": "快手是内容社区与技术平台公司，业务覆盖短视频、直播、电商、本地生活与 AI 应用。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1013\n工作地点：上海\n发布时间：2026-05-25\n\n岗位职责\n1、高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap；\n2、混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐；\n3、低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐；\n4、Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐。\n\n任职要求\n1、计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴；\n2、深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力；\n3、深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历；\n4、熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析。\n加分项：\n1、著名开源底层库的核心贡献者、Committer 或核心维护者；\n2、在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文；\n3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先。",
"requirements_text": "【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1013\n工作地点：上海\n发布时间：2026-05-25\n\n岗位职责\n1、高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap；\n2、混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐；\n3、低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐；\n4、Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐。\n\n任职要求\n1、计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴；\n2、深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力；\n3、深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历；\n4、熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析。\n加分项：\n1、著名开源底层库的核心贡献者、Committer 或核心维护者；\n2、在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文；\n3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先。",
"skills": [AI生成
"机器学习",
"强化学习",
"架构设计",
"招聘",
"大语言模型"
],
"preferred_qualifications": "加分项：；3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12776?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12776",
"post_date": "2026-05-25",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12776?recruitSubProjectCodes="
},
"fulltext": "【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1013\n工作地点：上海\n发布时间：2026-05-25\n\n岗位职责\n1、高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap；\n2、混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐；\n3、低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐；\n4、Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐。\n\n任职要求\n1、计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴；\n2、深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力；\n3、深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历；\n4、熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析。\n加分项：\n1、著名开源底层库的核心贡献者、Committer 或核心维护者；\n2、在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文；\n3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先。\n【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1013\n工作地点：上海\n发布时间：2026-05-25\n\n岗位职责\n1、高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap；\n2、混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐；\n3、低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐；\n4、Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐。\n\n任职要求\n1、计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴；\n2、深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力；\n3、深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历；\n4、熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析。\n加分项：\n1、著名开源底层库的核心贡献者、Committer 或核心维护者；\n2、在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文；\n3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先。\n【快Star】视频大模型高性能与低精度算子工程师-【可灵AI】\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1013\n工作地点：上海\n发布时间：2026-05-25\n\n岗位职责\n1、高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap；\n2、混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐；\n3、低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐；\n4、Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐。\n\n任职要求\n1、计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴；\n2、深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力；\n3、深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历；\n4、熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析。\n加分项：\n1、著名开源底层库的核心贡献者、Committer 或核心维护者；\n2、在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文；\n3、在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}