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": "大模型训推优化实习岗",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "D7214",
"location": "Beijing / Shenzhen / Hangzhou",
"work_mode": "未披露",AI生成
"job_category": "J0012"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": 2,
"degree": "计算机科学、电子工程或相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "大模型训推优化实习岗\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing / Shenzhen / Hangzhou\n所属部门：D7214\n发布时间：2026-06-09\n\n岗位职责\n1、负责文生图、文生视频等自研大模型核心算子的自研开发与性能优化，基于CUDA、OpenAI Triton等工具实现高性能计算加速；\n2、针对AI Infra大模型推理与训练场景，优化混合精度量化策略，设计低比特计算、稀疏化压缩等方案，提升模型部署效率；\n3、深入GPU/Tensor Core硬件架构，优化显存管理、计算图调度及分布式通信，提升模型训练吞吐与资源利用率；\n4、搭建端到端模型推理流水线，探索多模态生成任务下的算子融合、动态编译等创新优化手段；\n5、协同算法团队完成模型轻量化落地，提供量化感知训练（QAT）、模型剪枝等技术支持。\n\n任职要求\n1、计算机科学、电子工程或相关专业硕士及以上学历，2年以上CUDA/GPU高性能计算开发经验；\n2、精通PyTorch/Sglang/vLLM等框架底层实现，熟悉大模型部署与推理优化原理；\n3、熟练掌握OpenAI Triton编程，具备算子内核开发经验（如矩阵乘、Attention、Conv等模块优化）；\n4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；\n5、对GPU硬件架构（如Hopper/Ada）有深入理解，能结合硬件特性设计高性能算子。\n加分项：\n1、在CVPR/NeurIPS等顶会发表过模型压缩、加速相关论文或开源项目贡献者；\n2、有文生视频、3D生成等长序列生成模型的并行化优化经验；\n3、熟悉分布式训练框架（DeepSpeed/Megatron）或AI芯片（如NPU）开发经验；\n4、具备多模态大模型（如Diffusion Model）端到端部署落地经验。",
"requirements_text": "大模型训推优化实习岗\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing / Shenzhen / Hangzhou\n所属部门：D7214\n发布时间：2026-06-09\n\n岗位职责\n1、负责文生图、文生视频等自研大模型核心算子的自研开发与性能优化，基于CUDA、OpenAI Triton等工具实现高性能计算加速；\n2、针对AI Infra大模型推理与训练场景，优化混合精度量化策略，设计低比特计算、稀疏化压缩等方案，提升模型部署效率；\n3、深入GPU/Tensor Core硬件架构，优化显存管理、计算图调度及分布式通信，提升模型训练吞吐与资源利用率；\n4、搭建端到端模型推理流水线，探索多模态生成任务下的算子融合、动态编译等创新优化手段；\n5、协同算法团队完成模型轻量化落地，提供量化感知训练（QAT）、模型剪枝等技术支持。\n\n任职要求\n1、计算机科学、电子工程或相关专业硕士及以上学历，2年以上CUDA/GPU高性能计算开发经验；\n2、精通PyTorch/Sglang/vLLM等框架底层实现，熟悉大模型部署与推理优化原理；\n3、熟练掌握OpenAI Triton编程，具备算子内核开发经验（如矩阵乘、Attention、Conv等模块优化）；\n4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；\n5、对GPU硬件架构（如Hopper/Ada）有深入理解，能结合硬件特性设计高性能算子。\n加分项：\n1、在CVPR/NeurIPS等顶会发表过模型压缩、加速相关论文或开源项目贡献者；\n2、有文生视频、3D生成等长序列生成模型的并行化优化经验；\n3、熟悉分布式训练框架（DeepSpeed/Megatron）或AI芯片（如NPU）开发经验；\n4、具备多模态大模型（如Diffusion Model）端到端部署落地经验。",
"skills": [AI生成
"PyTorch",
"CUDA",
"模型训练",
"性能优化",
"招聘",
"大语言模型"
],
"preferred_qualifications": "4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/27144"
}
]
},
"posting": {
"posting_id": "27144",
"post_date": "2026-06-09",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/27144"
},
"fulltext": "大模型训推优化实习岗\n大模型训推优化实习岗\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing / Shenzhen / Hangzhou\n所属部门：D7214\n发布时间：2026-06-09\n\n岗位职责\n1、负责文生图、文生视频等自研大模型核心算子的自研开发与性能优化，基于CUDA、OpenAI Triton等工具实现高性能计算加速；\n2、针对AI Infra大模型推理与训练场景，优化混合精度量化策略，设计低比特计算、稀疏化压缩等方案，提升模型部署效率；\n3、深入GPU/Tensor Core硬件架构，优化显存管理、计算图调度及分布式通信，提升模型训练吞吐与资源利用率；\n4、搭建端到端模型推理流水线，探索多模态生成任务下的算子融合、动态编译等创新优化手段；\n5、协同算法团队完成模型轻量化落地，提供量化感知训练（QAT）、模型剪枝等技术支持。\n\n任职要求\n1、计算机科学、电子工程或相关专业硕士及以上学历，2年以上CUDA/GPU高性能计算开发经验；\n2、精通PyTorch/Sglang/vLLM等框架底层实现，熟悉大模型部署与推理优化原理；\n3、熟练掌握OpenAI Triton编程，具备算子内核开发经验（如矩阵乘、Attention、Conv等模块优化）；\n4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；\n5、对GPU硬件架构（如Hopper/Ada）有深入理解，能结合硬件特性设计高性能算子。\n加分项：\n1、在CVPR/NeurIPS等顶会发表过模型压缩、加速相关论文或开源项目贡献者；\n2、有文生视频、3D生成等长序列生成模型的并行化优化经验；\n3、熟悉分布式训练框架（DeepSpeed/Megatron）或AI芯片（如NPU）开发经验；\n4、具备多模态大模型（如Diffusion Model）端到端部署落地经验。\n大模型训推优化实习岗\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing / Shenzhen / Hangzhou\n所属部门：D7214\n发布时间：2026-06-09\n\n岗位职责\n1、负责文生图、文生视频等自研大模型核心算子的自研开发与性能优化，基于CUDA、OpenAI Triton等工具实现高性能计算加速；\n2、针对AI Infra大模型推理与训练场景，优化混合精度量化策略，设计低比特计算、稀疏化压缩等方案，提升模型部署效率；\n3、深入GPU/Tensor Core硬件架构，优化显存管理、计算图调度及分布式通信，提升模型训练吞吐与资源利用率；\n4、搭建端到端模型推理流水线，探索多模态生成任务下的算子融合、动态编译等创新优化手段；\n5、协同算法团队完成模型轻量化落地，提供量化感知训练（QAT）、模型剪枝等技术支持。\n\n任职要求\n1、计算机科学、电子工程或相关专业硕士及以上学历，2年以上CUDA/GPU高性能计算开发经验；\n2、精通PyTorch/Sglang/vLLM等框架底层实现，熟悉大模型部署与推理优化原理；\n3、熟练掌握OpenAI Triton编程，具备算子内核开发经验（如矩阵乘、Attention、Conv等模块优化）；\n4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；\n5、对GPU硬件架构（如Hopper/Ada）有深入理解，能结合硬件特性设计高性能算子。\n加分项：\n1、在CVPR/NeurIPS等顶会发表过模型压缩、加速相关论文或开源项目贡献者；\n2、有文生视频、3D生成等长序列生成模型的并行化优化经验；\n3、熟悉分布式训练框架（DeepSpeed/Megatron）或AI芯片（如NPU）开发经验；\n4、具备多模态大模型（如Diffusion Model）端到端部署落地经验。\n大模型训推优化实习岗\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing / Shenzhen / Hangzhou\n所属部门：D7214\n发布时间：2026-06-09\n\n岗位职责\n1、负责文生图、文生视频等自研大模型核心算子的自研开发与性能优化，基于CUDA、OpenAI Triton等工具实现高性能计算加速；\n2、针对AI Infra大模型推理与训练场景，优化混合精度量化策略，设计低比特计算、稀疏化压缩等方案，提升模型部署效率；\n3、深入GPU/Tensor Core硬件架构，优化显存管理、计算图调度及分布式通信，提升模型训练吞吐与资源利用率；\n4、搭建端到端模型推理流水线，探索多模态生成任务下的算子融合、动态编译等创新优化手段；\n5、协同算法团队完成模型轻量化落地，提供量化感知训练（QAT）、模型剪枝等技术支持。\n\n任职要求\n1、计算机科学、电子工程或相关专业硕士及以上学历，2年以上CUDA/GPU高性能计算开发经验；\n2、精通PyTorch/Sglang/vLLM等框架底层实现，熟悉大模型部署与推理优化原理；\n3、熟练掌握OpenAI Triton编程，具备算子内核开发经验（如矩阵乘、Attention、Conv等模块优化）；\n4、熟悉模型量化技术（INT8/FP8/INT4混合精度）优先；\n5、对GPU硬件架构（如Hopper/Ada）有深入理解，能结合硬件特性设计高性能算子。\n加分项：\n1、在CVPR/NeurIPS等顶会发表过模型压缩、加速相关论文或开源项目贡献者；\n2、有文生视频、3D生成等长序列生成模型的并行化优化经验；\n3、熟悉分布式训练框架（DeepSpeed/Megatron）或AI芯片（如NPU）开发经验；\n4、具备多模态大模型（如Diffusion Model）端到端部署落地经验。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}