百度
大模型训推性能优化平台实习生（J100049）
大模型训推性能优化平台实习生（J100049）
发布于 大约 16 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
本科
实习与临时职位
PyTorch
GO
CUDA
NCCL
大模型
vLLM
AI Agent
Gpu Profiling
可观测平台
AI 估算 · 5k–8k
百度大厂研发实习岗，薪资处于行业较高水平，但实习期短，技能要求前沿，需具备编程和AI基础。
职位详情
关于这个职位
作为百度大模型训推性能优化平台实习生，你将参与建设面向大模型训练与推理的性能观测、分析诊断和优化建议平台，利用AI Agent、MCP等前沿技术将专家经验自动化，并与算法、框架等团队协作推动性能持续提升
这是一个深度接触大模型基础设施、积累AI工程化实战经验的绝佳机会
最低要求
本科及以上学历
具备基本编程能力，熟悉 Python/Go/Java/C++ 中至少一门语言
具备良好的问题分析、抽象总结和工程落地能力，能够将复杂问题转化为工具、平台能力或自动化流程
关注 AI Agent、Skill、MCP、AI Coding、智能诊断、自动化分析、工作流编排等新技术方向，愿意探索如何用 AI 提升研发效率、分析效率和平台智能化水平
对大模型训练、推理、部署、GPU 算力、吞吐、延迟、显存等概念感兴趣，愿意持续学习
工作职责
面向大模型训练与推理任务，建设性能观测、问题分析、诊断报告和优化建议等平台能力，让复杂的性能分析过程更加简单、自动化、智能化
基于监控、日志、Trace、Profiling 等多源数据，沉淀自动采集、上下文整理、瓶颈分析、报告生成等 Agent / Skill 能力，将专家经验转化为可复用的智能分析流程
探索 AI Coding、Agent、Skill、MCP、工作流编排等新技术在性能诊断场景中的应用
与算法、框架、平台、基础设施等团队协作，推动训练和推理任务在稳定性、资源利用率、吞吐、延迟等方面持续优化
优先资格
有大模型、云平台、可观测平台、监控日志、数据分析平台、Agent 工程化、PyTorch、vLLM、SGLang、CUDA、NCCL、GPU Profiling 等经验者优先，但不作为硬性要求
AI 洞察
优缺点分析
优点
- 深度接触大模型训练推理的全链路性能优化，技术栈前沿（Agent、MCP、GPU Profiling等），学习价值极高
- 百度大厂平台，有机会与顶尖算法、框架工程师协作，积累宝贵项目经验
- 实习岗位对经验要求相对宽松，更看重学习能力和兴趣，适合有志于AI基础设施的同学
- 工作内容涉及多团队协作，需要较强的沟通和问题抽象能力
- 实习期可能面临任务紧迫，需要适应互联网公司的工作节奏
缺点 / 挑战
- 技术难度较高，需要快速理解大模型训练框架、GPU硬件及性能分析工具，学习曲线陡峭
- 适合对AI系统底层优化充满热情、喜欢挑战技术难题、具备扎实编程基础且愿意持续学习的研究生或高年级本科生
角色解读
- 技术深度上可向大模型系统优化、AI基础设施架构师方向发展
- 业务广度上可转向AI平台产品经理或技术Leader，负责更大规模的性能优化平台
- 建设大模型训练与推理的性能观测、诊断和优化平台，将复杂性能分析过程自动化、智能化
- 利用AI Agent、MCP等技术，将专家经验转化为可复用的自动分析流程，提升诊断效率
- 与算法、框架、平台等团队协作，推动训练和推理任务在稳定性、资源利用率、吞吐、延迟等方面持续优化
- 扎实的编程能力，熟悉 Python/Go/Java/C++ 至少一门语言，具备工程落地能力
- 对AI Agent、MCP、AI Coding等前沿技术有热情，愿意探索如何用AI提升研发效率
- 对大模型训练、推理、GPU算力、性能调优等概念有基本了解，并有持续学习的意愿
申请策略
- 面试前深入了解百度在AI基础设施（如飞桨、千帆）的发展方向，表达对性能优化场景的理解
- 可以在简历中附上技术博客或个人项目链接，展示学习主动性和技术热情
- 突出编程能力项目，尤其是Python/Go相关开发经验，最好包含性能优化或工具开发经历
- 如果有AI Agent、大模型应用或可观测性平台相关项目，务必详细描述
- 强调问题分析和工程化能力，例如将复杂流程自动化的案例
- 展示对AI前沿技术的关注，如GitHub上相关的开源项目贡献或技术博客
- 提前学习PyTorch、vLLM、CUDA Profiling等工具的基本使用，了解大模型训练推理流程
- 熟悉AI Agent概念，尝试用LangChain或类似框架搭建简单Agent
面试指南
- 对于经历类问题，采用STAR法则：情境、任务、行动、结果，突出量化成果
- 对于技术概念类问题，先给出定义，再结合岗位场景说明应用价值，最后展示个人见解
- 对于设计类问题，先梳理需求，再分模块阐述，强调可扩展性和自动化
- 请描述一次你通过性能分析工具定位并解决系统瓶颈的经历
- 你对AI Agent的理解是什么？你认为它如何应用于性能诊断？
- 解释大模型训练中常见的性能瓶颈（如计算、通信、显存），并提一种优化思路
- 你平时如何跟踪AI领域的前沿技术？举一个你最近关注的技术并说明其应用
- 设计一个简单的自动化性能诊断系统，你会如何设计模块？
匹配度报告
66
综合匹配度
百度大模型训推性能优化平台实习，前沿技术栈，成长空间大，薪资一般，需现场办公。
适合人群
最适合追求技术成长和创新实践的实习生，愿意牺牲部分薪资换取前沿项目经验。
最强匹配
成长发展匹配
最弱匹配
薪资福利匹配
薪资福利40
成长发展85
工作生活60
使命价值80
薪资福利匹配
40较低
实习薪资相对全职较低，但百度提供餐补、班车等福利（JD未明确），整体补偿性一般。
薪资信号未披露（AI估算：5K-8K/月）
成长发展匹配
85较高
技术前沿（大模型、AI Agent、GPU Profiling），项目实战经验丰富，能极大提升AI系统优化和工程化能力，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈大模型、AI Agent、MCP、GPU Profiling、PyTorch、vLLM、CUDA
业务类型profit_center
工作生活匹配
60中等
需现场办公，北京核心地段，但实习生通常不强制加班（未明确），WLB信号不足。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
80较高
大模型是高速增长赛道，岗位直接助力AI性能提升，具有技术使命感，但社会影响力中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs