字节跳动
AI服务器系统集成测试研发工程师-服务器
AI服务器系统集成测试研发工程师-服务器
发布于 1 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
GPU
自动化测试
系统测试
CUDA
AI基础设施
PCIe
服务器硬件
Sit
AI 估算 · 35k–55k
字节跳动技术岗薪资有竞争力，GPU测试专家稀缺，结合岗位要求和市场行情估算。
职位详情
关于这个职位
该职位主要负责AI服务器（GPU服务器）的系统集成测试，包括从选型验证到交付验收的全流程测试、SIT能力建设和自动化测试开发
你将深入GPU硬件原理，设计测试策略，保障大规模GPU集群的稳定交付
适合有服务器硬件测试经验、精通Python自动化、对AI基础设施感兴趣的技术人才
最低要求
本科及以上学历，计算机、电子、通信、自动化等相关专业
具备服务器硬件测试、系统测试或产测/交付测试GPU服务器相关测试经验
扎实的GPU与服务器硬件基础，深入理解AI/GPU硬件原理与系统架构，包括GPU计算与显存体系、PCIe/NUMA、CPU-IO拓扑等
能够将硬件特性与潜在风险转化为可执行的测试策略与验收标准
熟练掌握GPU常用性能Benchmark与评测方法，覆盖计算、显存、PCIe、互联、通信等维度
精通自动化开发，以Python为主，能够独立完成用例开发、并发执行、结果判定、日志解析、报表可视化等
熟悉Shell脚本，具备工程化交付意识与可维护性设计能力
良好的沟通与项目推进能力，能够有效推动跨团队协作与问题闭环，保障交付节奏与质量目标达成
工作职责
GPU机型端到端交付测试：负责GPU卡及GPU服务器整机在选型验证、研发验证、SIT、产测导入与交付验收等全流程测试，输出测试基线、验收标准与交付报告，保障项目按期交付与质量达标
GPU SIT能力建设：构建并持续维护GPU SIT基线体系，覆盖功能、性能、稳定性、可靠性与可观测性（监控/告警/日志）等维度，沉淀可复用用例与门禁标准，支撑GPU产品规模化交付
GPU卡评测与选型：跟踪业界新GPU卡与关键技术演进，设计并执行功能/性能/稳定性等评测与对标，输出评测结论（优势/短板/风险项），为业务产品选型与引入决策提供依据
GPU业务场景测试与优化：深入理解业务使用场景与关键指标，持续优化SIT测试标准与基线用例，支撑线上问题复现定位与改进闭环，提升业务使用体验与稳定性
GPU测试自动化开发：设计并实现自动化测试框架与流水线能力，包括用例编排与并发执行、结果判定、报告生成/看板与基线对比等，持续提升测试覆盖率与交付效率
优先资格
GPU Benchmark测试与算子优化：精通GPU Benchmark测试设计与执行，熟悉算子级性能分析与调优，包括CUDA Kernel优化、算子融合、内存访问模式优化等
具备GPU芯片硅后验证（Post-Silicon Validation）经验，熟悉GPU卡功能验证、性能验证与问题定位流程
深入理解AI大模型训练/推理流程、计算图优化、显存管理及并行策略（数据并行/模型并行/流水线并行），能够将业务需求转化为测试场景与验收标准
熟悉AI集群（千卡/万卡级）网络架构（IB/RoCE/以太网）、拓扑设计、通信优化与故障定位
有自动化测试平台或CI/CD流水线建设经验，熟悉任务编排、资源管理、结果判定与数据看板开发等
AI 洞察
优缺点分析
优点
- 身处AI基础设施核心岗位，技术壁垒高，发展前景广阔
- 接触最新GPU硬件和前沿技术，技能积累快
- 字节跳动大平台，资源丰富，薪资和福利有竞争力
- 需同时具备硬件和软件能力，学习曲线陡峭
- 技术更新快，需要持续学习保持竞争力
- 适合对GPU硬件和AI基础设施有浓厚兴趣，乐于解决复杂系统问题，具备强自驱力和自动化思维的技术人才
缺点 / 挑战
- 项目交付压力大，可能面临高强度工作节奏
角色解读
- 可向GPU硬件测试专家或AI基础设施架构师方向发展
- 有机会深入大模型训练/推理的底层优化，成为AI算力领域的稀缺人才
- 在字节跳动内部可横向转岗至硬件研发、数据中心运维或算法工程团队
- 负责GPU服务器从选型验证到交付验收的全流程测试，制定测试基线和验收标准
- 构建和维护GPU SIT测试体系，涵盖功能、性能、稳定性、可靠性等维度
- 设计并实现自动化测试框架，提升测试覆盖率和效率
- 跟踪GPU技术演进，进行新卡评测和选型分析，为业务决策提供依据
- 扎实的GPU和服务器硬件知识，理解PCIe/NUMA/CPU-IO拓扑等架构
- 精通Python自动化开发，能独立完成测试框架和工具开发
- 熟练使用GPU性能Benchmark工具，掌握常见评测方法
- 良好的沟通和项目推进能力，能有效跨团队协作
申请策略
- 关注字节跳动AI基础设施的公开技术博客，了解团队技术栈
- 面试前复盘一个完整的测试项目，从需求到交付，体现系统化思考
- 突出GPU服务器测试或相关硬件测试项目经验，量化成果
- 详细描述自动化测试框架设计和开发经历，附上代码仓库或文章
- 强调Python和Shell技能，展示工程化交付能力
- 如有Benchmark评测、性能调优经验，重点说明
- 深入学习CUDA编程和GPU架构，了解算子优化方法
- 补充AI集群网络知识（IB/RoCE）和大模型训练/推理流程
面试指南
- STAR法则：描述情境、任务、行动、结果，突出技术细节和量化数据
- 从硬件原理到测试策略：先分析风险点，再设计对应测试用例，最后用自动化固化
- 分步骤排查：收集日志->定位硬件/软件问题->复现->推动修复->回归验证
- 请描述一次你设计的GPU服务器测试方案，包括测试策略、关键指标和结果
- 如何测试GPU在大模型训练场景下的稳定性和性能？
- 请谈谈你对PCIe拓扑的理解，以及它如何影响测试设计？
- 你如何设计一个自动化测试框架？考虑哪些可维护性和扩展性因素？
- 当线上出现GPU相关故障时，你的排查思路是什么？
匹配度报告
75
综合匹配度
薪资优厚、技术前沿、成长性极强，但工作节奏快、需现场办公。
适合人群
最适合追求技术成长和前沿领域、能接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值75
薪资福利匹配
85较高
薪资在行业处于领先水平，字节跳动福利完善，但未在JD中具体说明福利项。
薪资信号未披露（AI估算：35K-55K/月）
成长发展匹配
90较高
岗位涉及前沿GPU技术和AI基础设施，成长空间大，但JD未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈GPU、CUDA、PCIe、NUMA、AI集群、大模型、自动化测试
业务类型profit_center
工作生活匹配
50较低
北京现场办公，字节跳动通常节奏较快，未提及WLB相关福利。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
75中等
AI基础设施是高速增长赛道，对社会有较大影响，但JD未体现具体使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs