主分类：AI训练推理与计算优化
辅助：后端与业务系统研发（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": "AIGC推理系统开发实习生",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "D14207",
"location": "Beijing",
"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": "计算机科学、人工智能、数学或相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "AIGC推理系统开发实习生\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\n所属部门：D14207\n发布时间：2026-08-17\n\n岗位职责\n如果你对 AIGC 充满热情，不满足于仅仅调用 API，而是渴望深入到底层，亲手让 Stable Diffusion、Flux 等前沿模型跑得更快、更稳、更省，欢迎加入我们！在这里，你将直接参与构建下一代高性能推理引擎，用代码定义生成的速度。\n1、推理引擎开发与优化： 参与 Diffusion 模型推理引擎的核心模块开发，学习并实践 CUDA 编程、算子优化与内存管理。协助将最新的学术优化手段（如 Flash Attention、Fused Kernels）落地到生产环境，提升模型推理速度；\n2、模型压缩与加速：调研并实践模型压缩技术，包括 量化、蒸馏 和剪枝。参与将 FP16/BF16 模型转换为 INT8/FP8 格式，并在保证生成质量的前提下优化推理延迟；\n3、网关与服务化系统建设：参与 AIGC 网关系统的后端开发，设计高并发、低延迟的请求调度逻辑。协助构建模型服务化接口，解决大规模推理请求下的队列管理与资源调度问题。\n\n任职要求\n1、计算机科学、人工智能、数学或相关专业本科及以上学历；\n2、具备扎实的计算机基础知识，熟练掌握数据结构、算法、操作系统及计算机网络原理；\n3、熟练使用 Python 或 C++ 编程，代码风格良好，具备较强的 Debug 能力；\n4、熟悉 PyTorch 等深度学习框架，理解计算图、反向传播等基本原理；\n5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先。\n加分项：\n1、高性能计算： 了解 CUDA 编程，有 TensorRT、Triton Inference Server 或 cutlass 使用经验；\n2、模型优化： 有模型量化（GPTQ, AWQ）、蒸馏或 Attention 优化相关的项目或论文经验；\n3、系统开发： 熟悉 Golang，有高并发后端服务或微服务网关开发经验；\n4、开源贡献： 在 GitHub 上有高质量开源项目贡献，或复现过 Diffusion 相关论文。",
"requirements_text": "AIGC推理系统开发实习生\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\n所属部门：D14207\n发布时间：2026-08-17\n\n岗位职责\n如果你对 AIGC 充满热情，不满足于仅仅调用 API，而是渴望深入到底层，亲手让 Stable Diffusion、Flux 等前沿模型跑得更快、更稳、更省，欢迎加入我们！在这里，你将直接参与构建下一代高性能推理引擎，用代码定义生成的速度。\n1、推理引擎开发与优化： 参与 Diffusion 模型推理引擎的核心模块开发，学习并实践 CUDA 编程、算子优化与内存管理。协助将最新的学术优化手段（如 Flash Attention、Fused Kernels）落地到生产环境，提升模型推理速度；\n2、模型压缩与加速：调研并实践模型压缩技术，包括 量化、蒸馏 和剪枝。参与将 FP16/BF16 模型转换为 INT8/FP8 格式，并在保证生成质量的前提下优化推理延迟；\n3、网关与服务化系统建设：参与 AIGC 网关系统的后端开发，设计高并发、低延迟的请求调度逻辑。协助构建模型服务化接口，解决大规模推理请求下的队列管理与资源调度问题。\n\n任职要求\n1、计算机科学、人工智能、数学或相关专业本科及以上学历；\n2、具备扎实的计算机基础知识，熟练掌握数据结构、算法、操作系统及计算机网络原理；\n3、熟练使用 Python 或 C++ 编程，代码风格良好，具备较强的 Debug 能力；\n4、熟悉 PyTorch 等深度学习框架，理解计算图、反向传播等基本原理；\n5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先。\n加分项：\n1、高性能计算： 了解 CUDA 编程，有 TensorRT、Triton Inference Server 或 cutlass 使用经验；\n2、模型优化： 有模型量化（GPTQ, AWQ）、蒸馏或 Attention 优化相关的项目或论文经验；\n3、系统开发： 熟悉 Golang，有高并发后端服务或微服务网关开发经验；\n4、开源贡献： 在 GitHub 上有高质量开源项目贡献，或复现过 Diffusion 相关论文。",
"skills": [AI生成
"Python",
"C++",
"Golang",
"PyTorch",
"CUDA",
"深度学习",
"数据结构",
"微服务",
"建模",
"招聘",
"Go"
],
"preferred_qualifications": "5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先；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/29630"
}
]
},
"posting": {
"posting_id": "29630",
"post_date": "2026-08-17",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/29630"
},
"fulltext": "AIGC推理系统开发实习生\nAIGC推理系统开发实习生\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\n所属部门：D14207\n发布时间：2026-08-17\n\n岗位职责\n如果你对 AIGC 充满热情，不满足于仅仅调用 API，而是渴望深入到底层，亲手让 Stable Diffusion、Flux 等前沿模型跑得更快、更稳、更省，欢迎加入我们！在这里，你将直接参与构建下一代高性能推理引擎，用代码定义生成的速度。\n1、推理引擎开发与优化： 参与 Diffusion 模型推理引擎的核心模块开发，学习并实践 CUDA 编程、算子优化与内存管理。协助将最新的学术优化手段（如 Flash Attention、Fused Kernels）落地到生产环境，提升模型推理速度；\n2、模型压缩与加速：调研并实践模型压缩技术，包括 量化、蒸馏 和剪枝。参与将 FP16/BF16 模型转换为 INT8/FP8 格式，并在保证生成质量的前提下优化推理延迟；\n3、网关与服务化系统建设：参与 AIGC 网关系统的后端开发，设计高并发、低延迟的请求调度逻辑。协助构建模型服务化接口，解决大规模推理请求下的队列管理与资源调度问题。\n\n任职要求\n1、计算机科学、人工智能、数学或相关专业本科及以上学历；\n2、具备扎实的计算机基础知识，熟练掌握数据结构、算法、操作系统及计算机网络原理；\n3、熟练使用 Python 或 C++ 编程，代码风格良好，具备较强的 Debug 能力；\n4、熟悉 PyTorch 等深度学习框架，理解计算图、反向传播等基本原理；\n5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先。\n加分项：\n1、高性能计算： 了解 CUDA 编程，有 TensorRT、Triton Inference Server 或 cutlass 使用经验；\n2、模型优化： 有模型量化（GPTQ, AWQ）、蒸馏或 Attention 优化相关的项目或论文经验；\n3、系统开发： 熟悉 Golang，有高并发后端服务或微服务网关开发经验；\n4、开源贡献： 在 GitHub 上有高质量开源项目贡献，或复现过 Diffusion 相关论文。\nAIGC推理系统开发实习生\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\n所属部门：D14207\n发布时间：2026-08-17\n\n岗位职责\n如果你对 AIGC 充满热情，不满足于仅仅调用 API，而是渴望深入到底层，亲手让 Stable Diffusion、Flux 等前沿模型跑得更快、更稳、更省，欢迎加入我们！在这里，你将直接参与构建下一代高性能推理引擎，用代码定义生成的速度。\n1、推理引擎开发与优化： 参与 Diffusion 模型推理引擎的核心模块开发，学习并实践 CUDA 编程、算子优化与内存管理。协助将最新的学术优化手段（如 Flash Attention、Fused Kernels）落地到生产环境，提升模型推理速度；\n2、模型压缩与加速：调研并实践模型压缩技术，包括 量化、蒸馏 和剪枝。参与将 FP16/BF16 模型转换为 INT8/FP8 格式，并在保证生成质量的前提下优化推理延迟；\n3、网关与服务化系统建设：参与 AIGC 网关系统的后端开发，设计高并发、低延迟的请求调度逻辑。协助构建模型服务化接口，解决大规模推理请求下的队列管理与资源调度问题。\n\n任职要求\n1、计算机科学、人工智能、数学或相关专业本科及以上学历；\n2、具备扎实的计算机基础知识，熟练掌握数据结构、算法、操作系统及计算机网络原理；\n3、熟练使用 Python 或 C++ 编程，代码风格良好，具备较强的 Debug 能力；\n4、熟悉 PyTorch 等深度学习框架，理解计算图、反向传播等基本原理；\n5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先。\n加分项：\n1、高性能计算： 了解 CUDA 编程，有 TensorRT、Triton Inference Server 或 cutlass 使用经验；\n2、模型优化： 有模型量化（GPTQ, AWQ）、蒸馏或 Attention 优化相关的项目或论文经验；\n3、系统开发： 熟悉 Golang，有高并发后端服务或微服务网关开发经验；\n4、开源贡献： 在 GitHub 上有高质量开源项目贡献，或复现过 Diffusion 相关论文。\nAIGC推理系统开发实习生\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\n所属部门：D14207\n发布时间：2026-08-17\n\n岗位职责\n如果你对 AIGC 充满热情，不满足于仅仅调用 API，而是渴望深入到底层，亲手让 Stable Diffusion、Flux 等前沿模型跑得更快、更稳、更省，欢迎加入我们！在这里，你将直接参与构建下一代高性能推理引擎，用代码定义生成的速度。\n1、推理引擎开发与优化： 参与 Diffusion 模型推理引擎的核心模块开发，学习并实践 CUDA 编程、算子优化与内存管理。协助将最新的学术优化手段（如 Flash Attention、Fused Kernels）落地到生产环境，提升模型推理速度；\n2、模型压缩与加速：调研并实践模型压缩技术，包括 量化、蒸馏 和剪枝。参与将 FP16/BF16 模型转换为 INT8/FP8 格式，并在保证生成质量的前提下优化推理延迟；\n3、网关与服务化系统建设：参与 AIGC 网关系统的后端开发，设计高并发、低延迟的请求调度逻辑。协助构建模型服务化接口，解决大规模推理请求下的队列管理与资源调度问题。\n\n任职要求\n1、计算机科学、人工智能、数学或相关专业本科及以上学历；\n2、具备扎实的计算机基础知识，熟练掌握数据结构、算法、操作系统及计算机网络原理；\n3、熟练使用 Python 或 C++ 编程，代码风格良好，具备较强的 Debug 能力；\n4、熟悉 PyTorch 等深度学习框架，理解计算图、反向传播等基本原理；\n5、了解 Diffusion 模型（如 DDPM, Stable Diffusion, DiT 架构）的基本原理者优先。\n加分项：\n1、高性能计算： 了解 CUDA 编程，有 TensorRT、Triton Inference Server 或 cutlass 使用经验；\n2、模型优化： 有模型量化（GPTQ, AWQ）、蒸馏或 Attention 优化相关的项目或论文经验；\n3、系统开发： 熟悉 Golang，有高并发后端服务或微服务网关开发经验；\n4、开源贡献： 在 GitHub 上有高质量开源项目贡献，或复现过 Diffusion 相关论文。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T002"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}