AI服务端架构师-剪映CapCut（北京/上海/深圳）

优缺点分析

角色解读

• 技术专家路线：深耕GPU底层优化，成为AI推理加速领域权威
• 架构师路线：横向扩展至AI平台架构，负责更大规模的系统设计
• 可转向AI框架研发或AI Infra方向，拓宽技术广度
• 负责剪映系产品AI模型的工程部署与推理加速，落地CUDA/TensorRT等优化技术
• 建设GPU资源管理系统，在不同Infra平台上管理模型GPU资源，提升整体利用率
• 参与模型量化、剪枝、蒸馏等压缩技术的研究与应用，降低模型部署成本
• 与Infra团队协作，优化GPU调度方案，支撑业务高效迭代
• 精通C++/Golang和数据结构算法，具备服务端架构设计能力
• 扎实的GPU编程基础，熟悉CUDA、TensorRT、Cutlass等，能进行算子级性能调优
• 深入理解Diffusion/DiT等AIGC模型架构，具备推理加速实战经验
• 熟悉模型压缩技术（量化、剪枝、蒸馏），了解PyTorch等框架

申请策略

• 了解字节跳动剪映的业务方向和AI技术栈，在面试中展示对产品技术痛点的理解
• 准备一个完整的系统设计案例，涵盖模型部署、推理优化和资源管理
• 突出GPU编程和性能调优项目经验，如CUDA kernel优化、TensorRT部署案例
• 强调AIGC模型（如Diffusion）部署与加速的实际成果，包括延迟、吞吐提升数据
• 展示服务端架构设计经验，如高并发、资源调度系统
• 如有模型压缩（量化、剪枝）经验，务必详细描述方法及收益
• 补充TensorRT-LLM或vLLM等LLM推理框架的使用经验
• 熟悉更多DiT推理框架（如xDiT、LightX2V）及加速技术

面试指南

• 对于优化类问题，采用“问题定位→技术选型→实现细节→效果评估”四步法
• 对于系统设计类问题，使用“需求分析→架构设计→关键组件→权衡与优化”框架
• 对于项目经验类问题，采用STAR（情境、任务、行动、结果）方法清晰描述
• 如何优化一个Diffusion模型的推理速度？请从模型、算子、系统层面分别说明
• 设计一个GPU资源管理系统，支持多模型动态调度
• 介绍一个你参与过的模型压缩项目，包括方法、效果和挑战
• 在服务端架构中，如何保证高可用和低延迟？
• CUDA编程中，如何优化内存访问模式以提高性能？