{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "【LongCat实习】大模型训练AI工程师",
        "job_level": "",AI生成
        "work_category": "校招-8",AI生成
        "department": "核心本地商业-基础研发平台",
        "location": "北京市 / 上海市",
        "work_mode": "",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "美团",
        "company_industry": "",
        "company_size": "",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "",
            "cycle": ""
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": "",
        "degree": "",
        "language": "",AI生成
        "visa_support": "",
        "responsibilities": "【LongCat实习】大模型训练AI工程师\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：算法\n发布时间：2026-07-01\n\n岗位职责\n本岗位覆盖以下主要技术方向：\n1.方向一：文本/多模态预训练\n• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性\n• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐\n• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证\n• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向\n2.方向二：强化学习框架\n• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程\n• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代\n• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统\n• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障\n3.方向三：异构算力适配\n• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime\n• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践\n• 面向RL采样场景，深入优化NPU架构的推理性能\n• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案\n4.方向四：高性能内核\n• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间\n• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）\n\n岗位基本要求\n1.计算机、电子工程、数学等相关专业硕士及以上学历\n2.有一定大模型训练/推理/分布式系统相关开发经验\n3.熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现\n4.熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验\n5.扎实的C++/Python/CUDA编程能力，有性能优化经验\n6.有实际参与过10B+参数规模模型训练的项目经验优先",
        "requirements_text": "",
        "skills": [],AI生成
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": []
    },
    "posting": {
        "posting_id": "4601901665",
        "post_date": "2026-07-01",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4601901665&jobShareType=1"
    },
    "fulltext": "【LongCat实习】大模型训练AI工程师\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：算法\n发布时间：2026-07-01\n\n岗位职责\n本岗位覆盖以下主要技术方向：\n1.方向一：文本/多模态预训练\n• 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性\n• 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐\n• 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证\n• 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向\n2.方向二：强化学习框架\n• 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程\n• 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代\n• 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统\n• 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障\n3.方向三：异构算力适配\n• 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime\n• 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践\n• 面向RL采样场景，深入优化NPU架构的推理性能\n• 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案\n4.方向四：高性能内核\n• 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间\n• 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）\n\n岗位基本要求\n1.计算机、电子工程、数学等相关专业硕士及以上学历\n2.有一定大模型训练/推理/分布式系统相关开发经验\n3.熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现\n4.熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验\n5.扎实的C++/Python/CUDA编程能力，有性能优化经验\n6.有实际参与过10B+参数规模模型训练的项目经验优先"
}