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】多模态生成模型计算效率优化工程师-【可灵AI】",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京 / 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": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【快Star】多模态生成模型计算效率优化工程师-【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：北京 / 上海\n发布时间：2026-05-25\n\n岗位职责\n1、高效Attention设计: 探索新一代注意力实现机制, 包括但不限于: Sparse/Quant-Attention, Linear-Attention, Mamba等, 破除 Attention 计算平方复杂度限制, 推进新一代大模型推理极限；\n2、量化加速: 探索NV-FP4 / INT4 等低bit 精度的量化后训练(QAT) 和KV-cache 压缩, 优化模型计算效率的同时保证模型的效果无损；\n3、投机推理: 致力于提升Auto-Regressive 模型的生成效率, 利用draft-verify 机制实现低成本token 生成，追求极致的接收率和突破更高的接收长度。\n\n任职要求\n1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；\n2、熟悉Transformer结构及其变种, 熟悉Attention的设计和多种变种实现, 熟练使用Triton / TileLang 等工具；\n3、数理要求: 熟练掌握 线性代数, 概率率和矩阵论；\n4、有较强的自驱力和学习力，对生成式模型有强烈的兴趣；\n加分项：\n1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先。",
"requirements_text": "【快Star】多模态生成模型计算效率优化工程师-【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：北京 / 上海\n发布时间：2026-05-25\n\n岗位职责\n1、高效Attention设计: 探索新一代注意力实现机制, 包括但不限于: Sparse/Quant-Attention, Linear-Attention, Mamba等, 破除 Attention 计算平方复杂度限制, 推进新一代大模型推理极限；\n2、量化加速: 探索NV-FP4 / INT4 等低bit 精度的量化后训练(QAT) 和KV-cache 压缩, 优化模型计算效率的同时保证模型的效果无损；\n3、投机推理: 致力于提升Auto-Regressive 模型的生成效率, 利用draft-verify 机制实现低成本token 生成，追求极致的接收率和突破更高的接收长度。\n\n任职要求\n1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；\n2、熟悉Transformer结构及其变种, 熟悉Attention的设计和多种变种实现, 熟练使用Triton / TileLang 等工具；\n3、数理要求: 熟练掌握 线性代数, 概率率和矩阵论；\n4、有较强的自驱力和学习力，对生成式模型有强烈的兴趣；\n加分项：\n1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先。",
"skills": [AI生成
"招聘",
"大语言模型"
],
"preferred_qualifications": "1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；加分项：；1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先",
"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/12777?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12777",
"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/12777?recruitSubProjectCodes="
},
"fulltext": "【快Star】多模态生成模型计算效率优化工程师-【可灵AI】\n【快Star】多模态生成模型计算效率优化工程师-【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：北京 / 上海\n发布时间：2026-05-25\n\n岗位职责\n1、高效Attention设计: 探索新一代注意力实现机制, 包括但不限于: Sparse/Quant-Attention, Linear-Attention, Mamba等, 破除 Attention 计算平方复杂度限制, 推进新一代大模型推理极限；\n2、量化加速: 探索NV-FP4 / INT4 等低bit 精度的量化后训练(QAT) 和KV-cache 压缩, 优化模型计算效率的同时保证模型的效果无损；\n3、投机推理: 致力于提升Auto-Regressive 模型的生成效率, 利用draft-verify 机制实现低成本token 生成，追求极致的接收率和突破更高的接收长度。\n\n任职要求\n1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；\n2、熟悉Transformer结构及其变种, 熟悉Attention的设计和多种变种实现, 熟练使用Triton / TileLang 等工具；\n3、数理要求: 熟练掌握 线性代数, 概率率和矩阵论；\n4、有较强的自驱力和学习力，对生成式模型有强烈的兴趣；\n加分项：\n1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先。\n【快Star】多模态生成模型计算效率优化工程师-【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：北京 / 上海\n发布时间：2026-05-25\n\n岗位职责\n1、高效Attention设计: 探索新一代注意力实现机制, 包括但不限于: Sparse/Quant-Attention, Linear-Attention, Mamba等, 破除 Attention 计算平方复杂度限制, 推进新一代大模型推理极限；\n2、量化加速: 探索NV-FP4 / INT4 等低bit 精度的量化后训练(QAT) 和KV-cache 压缩, 优化模型计算效率的同时保证模型的效果无损；\n3、投机推理: 致力于提升Auto-Regressive 模型的生成效率, 利用draft-verify 机制实现低成本token 生成，追求极致的接收率和突破更高的接收长度。\n\n任职要求\n1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；\n2、熟悉Transformer结构及其变种, 熟悉Attention的设计和多种变种实现, 熟练使用Triton / TileLang 等工具；\n3、数理要求: 熟练掌握 线性代数, 概率率和矩阵论；\n4、有较强的自驱力和学习力，对生成式模型有强烈的兴趣；\n加分项：\n1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先。\n【快Star】多模态生成模型计算效率优化工程师-【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：北京 / 上海\n发布时间：2026-05-25\n\n岗位职责\n1、高效Attention设计: 探索新一代注意力实现机制, 包括但不限于: Sparse/Quant-Attention, Linear-Attention, Mamba等, 破除 Attention 计算平方复杂度限制, 推进新一代大模型推理极限；\n2、量化加速: 探索NV-FP4 / INT4 等低bit 精度的量化后训练(QAT) 和KV-cache 压缩, 优化模型计算效率的同时保证模型的效果无损；\n3、投机推理: 致力于提升Auto-Regressive 模型的生成效率, 利用draft-verify 机制实现低成本token 生成，追求极致的接收率和突破更高的接收长度。\n\n任职要求\n1、硕士及以上学历，数学、计算机、自动化、电子等专业优先；\n2、熟悉Transformer结构及其变种, 熟悉Attention的设计和多种变种实现, 熟练使用Triton / TileLang 等工具；\n3、数理要求: 熟练掌握 线性代数, 概率率和矩阵论；\n4、有较强的自驱力和学习力，对生成式模型有强烈的兴趣；\n加分项：\n1、有 NIPS/ICLR/ICML/CVPR 等顶会发表经历者优先。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}