{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型训练与推理Infra工程师-MiMo",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京",
        "work_mode": "未披露",AI生成
        "job_category": "算法研发"AI生成
    },
    "company": {
        "company_name": "小米集团",
        "company_industry": "消费电子 / 智能制造 / 物联网",
        "company_size": "10000人以上",
        "company_website": "xiaomi.com",
        "company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
    },
    "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、软件工程、机器学习或相关领域的本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 模型训练基础设施开发\n  - 设计和实现支持大规模分布式训练的计算平台，优化模型训练效率和资源利用率。\n  - 维护和扩展现有的分布式训练框架，确保平台的高性能和稳定性（如基于 PyTorch、TensorFlow 或 JAX）。\n  - 集成和优化高性能计算技术（如 CUDA、MPI、NCCL 等）。\n2. 模型推理基础设施开发\n  - 构建高效的推理框架，支持大模型的在线和离线推理需求。\n  - 优化推理速度、内存占用和能耗，支持多种硬件架构（GPU、NPU等 ）。\n  - 实现PD分离、Context Caching、模型量化、推敲编码等推理优化技术。\n3. 性能监控与优化\n  - 开发工具链和监控系统，跟踪训练与推理过程的性能瓶颈。\n  - 分析并优化数据加载、通信效率和硬件利用率等关键环节。\n4. 跨团队协作\n  - 与模型研究团队密切合作，理解模型需求，定制训练和推理策略。\n  - 支持产品团队的模型部署需求，推动大模型在实际场景中的落地应用。",
        "requirements_text": "基本要求：\n- 计算机科学、软件工程、机器学习或相关领域的本科及以上学历，硕士或博士优先。\n- 深入理解深度学习原理和分布式训练框架（如 Horovod、DeepSpeed、Ray 等）。\n- 熟练掌握至少一种主流深度学习框架（如 PyTorch、TensorFlow 或 JAX）。\n- 熟悉高性能计算技术（CUDA、NCCL、cuDNN 等）及硬件架构（GPU、NPU 等）。\n- 具有扎实的编程能力，精通 Python 和至少一种系统级编程语言（如 C++）。\n\n优先条件：\n- 有参与或主导过大规模模型（如 Transformer、大语言模型）的训练和部署经验。\n- 熟悉模型优化技术（如混合精度训练、剪枝、量化等）。\n- 对云计算和容器化技术（如 Kubernetes、Docker、Terraform）有实际经验。\n- 对新兴 AI 硬件（如 H卡）有实操经验。\n- 具备优秀的系统设计和性能调优能力。",
        "skills": [AI生成
            "Python",
            "C++",
            "Docker",
            "Kubernetes",
            "PyTorch",
            "TensorFlow",
            "CUDA",
            "机器学习",
            "深度学习",
            "性能调优",
            "大语言模型"
        ],
        "preferred_qualifications": "计算机科学、软件工程、机器学习或相关领域的本科及以上学历，硕士或博士优先；优先条件：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7446241662216700012/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7446241662216700012",
        "post_date": "2024-12-09",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7446241662216700012/detail"
    },
    "fulltext": "大模型训练与推理Infra工程师-MiMo\n职位描述\n1. 模型训练基础设施开发\n  - 设计和实现支持大规模分布式训练的计算平台，优化模型训练效率和资源利用率。\n  - 维护和扩展现有的分布式训练框架，确保平台的高性能和稳定性（如基于 PyTorch、TensorFlow 或 JAX）。\n  - 集成和优化高性能计算技术（如 CUDA、MPI、NCCL 等）。\n2. 模型推理基础设施开发\n  - 构建高效的推理框架，支持大模型的在线和离线推理需求。\n  - 优化推理速度、内存占用和能耗，支持多种硬件架构（GPU、NPU等 ）。\n  - 实现PD分离、Context Caching、模型量化、推敲编码等推理优化技术。\n3. 性能监控与优化\n  - 开发工具链和监控系统，跟踪训练与推理过程的性能瓶颈。\n  - 分析并优化数据加载、通信效率和硬件利用率等关键环节。\n4. 跨团队协作\n  - 与模型研究团队密切合作，理解模型需求，定制训练和推理策略。\n  - 支持产品团队的模型部署需求，推动大模型在实际场景中的落地应用。\n\n职位要求\n基本要求：\n- 计算机科学、软件工程、机器学习或相关领域的本科及以上学历，硕士或博士优先。\n- 深入理解深度学习原理和分布式训练框架（如 Horovod、DeepSpeed、Ray 等）。\n- 熟练掌握至少一种主流深度学习框架（如 PyTorch、TensorFlow 或 JAX）。\n- 熟悉高性能计算技术（CUDA、NCCL、cuDNN 等）及硬件架构（GPU、NPU 等）。\n- 具有扎实的编程能力，精通 Python 和至少一种系统级编程语言（如 C++）。\n\n优先条件：\n- 有参与或主导过大规模模型（如 Transformer、大语言模型）的训练和部署经验。\n- 熟悉模型优化技术（如混合精度训练、剪枝、量化等）。\n- 对云计算和容器化技术（如 Kubernetes、Docker、Terraform）有实际经验。\n- 对新兴 AI 硬件（如 H卡）有实操经验。\n- 具备优秀的系统设计和性能调优能力。\n1. 模型训练基础设施开发\n  - 设计和实现支持大规模分布式训练的计算平台，优化模型训练效率和资源利用率。\n  - 维护和扩展现有的分布式训练框架，确保平台的高性能和稳定性（如基于 PyTorch、TensorFlow 或 JAX）。\n  - 集成和优化高性能计算技术（如 CUDA、MPI、NCCL 等）。\n2. 模型推理基础设施开发\n  - 构建高效的推理框架，支持大模型的在线和离线推理需求。\n  - 优化推理速度、内存占用和能耗，支持多种硬件架构（GPU、NPU等 ）。\n  - 实现PD分离、Context Caching、模型量化、推敲编码等推理优化技术。\n3. 性能监控与优化\n  - 开发工具链和监控系统，跟踪训练与推理过程的性能瓶颈。\n  - 分析并优化数据加载、通信效率和硬件利用率等关键环节。\n4. 跨团队协作\n  - 与模型研究团队密切合作，理解模型需求，定制训练和推理策略。\n  - 支持产品团队的模型部署需求，推动大模型在实际场景中的落地应用。\n基本要求：\n- 计算机科学、软件工程、机器学习或相关领域的本科及以上学历，硕士或博士优先。\n- 深入理解深度学习原理和分布式训练框架（如 Horovod、DeepSpeed、Ray 等）。\n- 熟练掌握至少一种主流深度学习框架（如 PyTorch、TensorFlow 或 JAX）。\n- 熟悉高性能计算技术（CUDA、NCCL、cuDNN 等）及硬件架构（GPU、NPU 等）。\n- 具有扎实的编程能力，精通 Python 和至少一种系统级编程语言（如 C++）。\n\n优先条件：\n- 有参与或主导过大规模模型（如 Transformer、大语言模型）的训练和部署经验。\n- 熟悉模型优化技术（如混合精度训练、剪枝、量化等）。\n- 对云计算和容器化技术（如 Kubernetes、Docker、Terraform）有实际经验。\n- 对新兴 AI 硬件（如 H卡）有实操经验。\n- 具备优秀的系统设计和性能调优能力。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}