{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型训练工程师（LLM Training Engineer）",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "D7198",
        "location": "Beijing / Shanghai / 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": "",
        "degree": "本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "大模型训练工程师（LLM Training Engineer）\n\n基础信息\n招聘类型：社招\n职位类别：J0012\n工作地点：Beijing / Shanghai / Shenzhen / Hangzhou\n所属部门：D7198\n发布时间：2026-05-29\n\n岗位职责\n【关于我们】\n我们全面打造 AI Infra：大模型训练、推理引擎，为公司核心大模型(基模+MaaS)场景提供高速、稳定、可扩展、低成本的大模型训练与推理服务；\n在这里，你将参与推动分布式训练、强化学习（RL）、微调（SFT）、算子优化、混合精度与量化加速、KV Cache 管理、推理调度与 Pipeline 优化等前沿技术落地，让训练更快、推理更省、交付更稳；\n【职位描述】\n1、负责大模型训练框架与训练平台的研发与演进，支撑万亿级参数模型训练落地；\n2、负责分布式训练方案设计与优化（DP/TP/PP/ZeRO/FSDP/MoE 等），提升吞吐与资源利用率；\n3、负责训练性能调优，包括算子优化、混合精度（BF16/FP16/FP8）、显存优化、通信优化与 pipeline overlap；\n4、负责训练稳定性建设，包括容错恢复、监控告警、性能回归、训练诊断与自动化运维能力；\n5、参与强化学习训练框架与对齐训练流程建设，支持 RLHF/PPO/DPO/GRPO 等训练任务的工程优化与平台化落地；\n6、跟进前沿训练系统技术，推动在业务场景规模化落地。\n\n任职要求\n1、本科及以上学历，计算机/软件/电子相关专业；\n2、熟练掌握 Python/C++，具备扎实的工程能力与系统调试能力；\n3、熟悉 PyTorch 训练机制，理解反向传播、梯度同步、显存管理等原理；\n4、熟悉分布式训练框架（Megatron-LM/DeepSpeed/FSDP 等）并具备实战经验；\n5、熟悉 GPU/NPU 性能优化方法，能独立完成 profiling 与瓶颈定位（Nsight/perf 等）；\n6、熟悉训练侧算力优化技术，包括算子融合、图优化、Triton/CUDA Kernel 开发、编译器优化等；\n7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；\n8、具备良好的问题分析能力与跨团队协作能力。\n加分项：\n1、有 MoE/长序列/多机多卡大规模训练经验；\n2、熟悉 NCCL/HCCL/RDMA/IB 通信优化；\n3、有量化训练、低比特训练或 QAT（Quantization-Aware Training）相关实践经验；\n4、有国产卡适配与性能优化经验（昇腾/寒武纪/沐曦等）；\n5、有开源贡献或高性能系统相关论文/专利。",
        "requirements_text": "大模型训练工程师（LLM Training Engineer）\n\n基础信息\n招聘类型：社招\n职位类别：J0012\n工作地点：Beijing / Shanghai / Shenzhen / Hangzhou\n所属部门：D7198\n发布时间：2026-05-29\n\n岗位职责\n【关于我们】\n我们全面打造 AI Infra：大模型训练、推理引擎，为公司核心大模型(基模+MaaS)场景提供高速、稳定、可扩展、低成本的大模型训练与推理服务；\n在这里，你将参与推动分布式训练、强化学习（RL）、微调（SFT）、算子优化、混合精度与量化加速、KV Cache 管理、推理调度与 Pipeline 优化等前沿技术落地，让训练更快、推理更省、交付更稳；\n【职位描述】\n1、负责大模型训练框架与训练平台的研发与演进，支撑万亿级参数模型训练落地；\n2、负责分布式训练方案设计与优化（DP/TP/PP/ZeRO/FSDP/MoE 等），提升吞吐与资源利用率；\n3、负责训练性能调优，包括算子优化、混合精度（BF16/FP16/FP8）、显存优化、通信优化与 pipeline overlap；\n4、负责训练稳定性建设，包括容错恢复、监控告警、性能回归、训练诊断与自动化运维能力；\n5、参与强化学习训练框架与对齐训练流程建设，支持 RLHF/PPO/DPO/GRPO 等训练任务的工程优化与平台化落地；\n6、跟进前沿训练系统技术，推动在业务场景规模化落地。\n\n任职要求\n1、本科及以上学历，计算机/软件/电子相关专业；\n2、熟练掌握 Python/C++，具备扎实的工程能力与系统调试能力；\n3、熟悉 PyTorch 训练机制，理解反向传播、梯度同步、显存管理等原理；\n4、熟悉分布式训练框架（Megatron-LM/DeepSpeed/FSDP 等）并具备实战经验；\n5、熟悉 GPU/NPU 性能优化方法，能独立完成 profiling 与瓶颈定位（Nsight/perf 等）；\n6、熟悉训练侧算力优化技术，包括算子融合、图优化、Triton/CUDA Kernel 开发、编译器优化等；\n7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；\n8、具备良好的问题分析能力与跨团队协作能力。\n加分项：\n1、有 MoE/长序列/多机多卡大规模训练经验；\n2、熟悉 NCCL/HCCL/RDMA/IB 通信优化；\n3、有量化训练、低比特训练或 QAT（Quantization-Aware Training）相关实践经验；\n4、有国产卡适配与性能优化经验（昇腾/寒武纪/沐曦等）；\n5、有开源贡献或高性能系统相关论文/专利。",
        "skills": [AI生成
            "Python",
            "C++",
            "PyTorch",
            "CUDA",
            "强化学习",
            "模型训练",
            "性能优化",
            "性能调优",
            "团队协作",
            "分析能力",
            "招聘",
            "大语言模型"
        ],
        "preferred_qualifications": "7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；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/29267"
            }
        ]
    },
    "posting": {
        "posting_id": "29267",
        "post_date": "2026-05-29",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/29267"
    },
    "fulltext": "大模型训练工程师（LLM Training Engineer）\n大模型训练工程师（LLM Training Engineer）\n\n基础信息\n招聘类型：社招\n职位类别：J0012\n工作地点：Beijing / Shanghai / Shenzhen / Hangzhou\n所属部门：D7198\n发布时间：2026-05-29\n\n岗位职责\n【关于我们】\n我们全面打造 AI Infra：大模型训练、推理引擎，为公司核心大模型(基模+MaaS)场景提供高速、稳定、可扩展、低成本的大模型训练与推理服务；\n在这里，你将参与推动分布式训练、强化学习（RL）、微调（SFT）、算子优化、混合精度与量化加速、KV Cache 管理、推理调度与 Pipeline 优化等前沿技术落地，让训练更快、推理更省、交付更稳；\n【职位描述】\n1、负责大模型训练框架与训练平台的研发与演进，支撑万亿级参数模型训练落地；\n2、负责分布式训练方案设计与优化（DP/TP/PP/ZeRO/FSDP/MoE 等），提升吞吐与资源利用率；\n3、负责训练性能调优，包括算子优化、混合精度（BF16/FP16/FP8）、显存优化、通信优化与 pipeline overlap；\n4、负责训练稳定性建设，包括容错恢复、监控告警、性能回归、训练诊断与自动化运维能力；\n5、参与强化学习训练框架与对齐训练流程建设，支持 RLHF/PPO/DPO/GRPO 等训练任务的工程优化与平台化落地；\n6、跟进前沿训练系统技术，推动在业务场景规模化落地。\n\n任职要求\n1、本科及以上学历，计算机/软件/电子相关专业；\n2、熟练掌握 Python/C++，具备扎实的工程能力与系统调试能力；\n3、熟悉 PyTorch 训练机制，理解反向传播、梯度同步、显存管理等原理；\n4、熟悉分布式训练框架（Megatron-LM/DeepSpeed/FSDP 等）并具备实战经验；\n5、熟悉 GPU/NPU 性能优化方法，能独立完成 profiling 与瓶颈定位（Nsight/perf 等）；\n6、熟悉训练侧算力优化技术，包括算子融合、图优化、Triton/CUDA Kernel 开发、编译器优化等；\n7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；\n8、具备良好的问题分析能力与跨团队协作能力。\n加分项：\n1、有 MoE/长序列/多机多卡大规模训练经验；\n2、熟悉 NCCL/HCCL/RDMA/IB 通信优化；\n3、有量化训练、低比特训练或 QAT（Quantization-Aware Training）相关实践经验；\n4、有国产卡适配与性能优化经验（昇腾/寒武纪/沐曦等）；\n5、有开源贡献或高性能系统相关论文/专利。\n大模型训练工程师（LLM Training Engineer）\n\n基础信息\n招聘类型：社招\n职位类别：J0012\n工作地点：Beijing / Shanghai / Shenzhen / Hangzhou\n所属部门：D7198\n发布时间：2026-05-29\n\n岗位职责\n【关于我们】\n我们全面打造 AI Infra：大模型训练、推理引擎，为公司核心大模型(基模+MaaS)场景提供高速、稳定、可扩展、低成本的大模型训练与推理服务；\n在这里，你将参与推动分布式训练、强化学习（RL）、微调（SFT）、算子优化、混合精度与量化加速、KV Cache 管理、推理调度与 Pipeline 优化等前沿技术落地，让训练更快、推理更省、交付更稳；\n【职位描述】\n1、负责大模型训练框架与训练平台的研发与演进，支撑万亿级参数模型训练落地；\n2、负责分布式训练方案设计与优化（DP/TP/PP/ZeRO/FSDP/MoE 等），提升吞吐与资源利用率；\n3、负责训练性能调优，包括算子优化、混合精度（BF16/FP16/FP8）、显存优化、通信优化与 pipeline overlap；\n4、负责训练稳定性建设，包括容错恢复、监控告警、性能回归、训练诊断与自动化运维能力；\n5、参与强化学习训练框架与对齐训练流程建设，支持 RLHF/PPO/DPO/GRPO 等训练任务的工程优化与平台化落地；\n6、跟进前沿训练系统技术，推动在业务场景规模化落地。\n\n任职要求\n1、本科及以上学历，计算机/软件/电子相关专业；\n2、熟练掌握 Python/C++，具备扎实的工程能力与系统调试能力；\n3、熟悉 PyTorch 训练机制，理解反向传播、梯度同步、显存管理等原理；\n4、熟悉分布式训练框架（Megatron-LM/DeepSpeed/FSDP 等）并具备实战经验；\n5、熟悉 GPU/NPU 性能优化方法，能独立完成 profiling 与瓶颈定位（Nsight/perf 等）；\n6、熟悉训练侧算力优化技术，包括算子融合、图优化、Triton/CUDA Kernel 开发、编译器优化等；\n7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；\n8、具备良好的问题分析能力与跨团队协作能力。\n加分项：\n1、有 MoE/长序列/多机多卡大规模训练经验；\n2、熟悉 NCCL/HCCL/RDMA/IB 通信优化；\n3、有量化训练、低比特训练或 QAT（Quantization-Aware Training）相关实践经验；\n4、有国产卡适配与性能优化经验（昇腾/寒武纪/沐曦等）；\n5、有开源贡献或高性能系统相关论文/专利。\n大模型训练工程师（LLM Training Engineer）\n\n基础信息\n招聘类型：社招\n职位类别：J0012\n工作地点：Beijing / Shanghai / Shenzhen / Hangzhou\n所属部门：D7198\n发布时间：2026-05-29\n\n岗位职责\n【关于我们】\n我们全面打造 AI Infra：大模型训练、推理引擎，为公司核心大模型(基模+MaaS)场景提供高速、稳定、可扩展、低成本的大模型训练与推理服务；\n在这里，你将参与推动分布式训练、强化学习（RL）、微调（SFT）、算子优化、混合精度与量化加速、KV Cache 管理、推理调度与 Pipeline 优化等前沿技术落地，让训练更快、推理更省、交付更稳；\n【职位描述】\n1、负责大模型训练框架与训练平台的研发与演进，支撑万亿级参数模型训练落地；\n2、负责分布式训练方案设计与优化（DP/TP/PP/ZeRO/FSDP/MoE 等），提升吞吐与资源利用率；\n3、负责训练性能调优，包括算子优化、混合精度（BF16/FP16/FP8）、显存优化、通信优化与 pipeline overlap；\n4、负责训练稳定性建设，包括容错恢复、监控告警、性能回归、训练诊断与自动化运维能力；\n5、参与强化学习训练框架与对齐训练流程建设，支持 RLHF/PPO/DPO/GRPO 等训练任务的工程优化与平台化落地；\n6、跟进前沿训练系统技术，推动在业务场景规模化落地。\n\n任职要求\n1、本科及以上学历，计算机/软件/电子相关专业；\n2、熟练掌握 Python/C++，具备扎实的工程能力与系统调试能力；\n3、熟悉 PyTorch 训练机制，理解反向传播、梯度同步、显存管理等原理；\n4、熟悉分布式训练框架（Megatron-LM/DeepSpeed/FSDP 等）并具备实战经验；\n5、熟悉 GPU/NPU 性能优化方法，能独立完成 profiling 与瓶颈定位（Nsight/perf 等）；\n6、熟悉训练侧算力优化技术，包括算子融合、图优化、Triton/CUDA Kernel 开发、编译器优化等；\n7、了解强化学习训练基本流程与常见框架，熟悉 rollout、reward model、policy update 等机制者优先；\n8、具备良好的问题分析能力与跨团队协作能力。\n加分项：\n1、有 MoE/长序列/多机多卡大规模训练经验；\n2、熟悉 NCCL/HCCL/RDMA/IB 通信优化；\n3、有量化训练、低比特训练或 QAT（Quantization-Aware Training）相关实践经验；\n4、有国产卡适配与性能优化经验（昇腾/寒武纪/沐曦等）；\n5、有开源贡献或高性能系统相关论文/专利。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}