百度
GPU镜像高级研发工程师（J100462）
GPU镜像高级研发工程师（J100462）
发布于 大约 14 小时前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
本科
软件工程
GPU
Linux内核
CI/CD
CUDA
性能调优
NVIDIA
NCCL
eBPF
AI 估算 · 30k–50k
百度高级研发岗，3-5年经验，北京/上海薪资水平较高，GPU和AI领域技术稀缺，月薪30k-50k合理，14薪常见。
职位详情
关于这个职位
该职位负责GPU镜像的全生命周期管理，包括多操作系统基础镜像的GPU驱动深度集成、镜像自动化构建与质量保障
同时需要面向大模型训练等AI场景，进行内核层参数的系统性调优和诊断工具开发
你将深度接触NVIDIA驱动栈、CUDA工具链和eBPF可观测技术，是AI基础设施的核心技术岗位
最低要求
本科及以上学历，计算机、软件工程或电子信息相关专业，3-5 年以上系统软件开发经验
熟悉 C/C++ 系统编程，具备 Shell/Python 脚本工程化能力，能独立开发运维工具链
具备跨架构（x86/ARM）系统适配经验，熟悉多架构镜像构建（multi-arch manifest）
工作职责
GPU 镜像生命周期管理与质量保障
主导多 OS 基础镜像（Ubuntu/CentOS/Rocky等）的 GPU 驱动深度集成，负责公共镜像（训练镜像/推理镜像/沙箱基础镜像）的研发全流程，维护镜像版本规范
负责 NVIDIA、昆仑芯等GPU驱动的多版本并存管理，维护内核态模块与用户态库的版本矩阵及兼容性档案，设计并实现 GPU驱动版本管理工具链，支持多版本驱动切换与灰度升级
建设镜像自动化构建 CI/CD 流水线（多架构并行构建），制定并执行镜像质量标准测试与端到端性能基准回归，例如CUDA 工具链（cuDNN/NCCL/cuBLAS）集成验证
建立镜像安全扫描机制（CVE 漏洞检测 + 驱动签名校验），保障面向用户交付镜像的安全合规
追踪上游 NVIDIA 开源驱动（nvidia-open-gpu-kernel-modules）及GPU驱动社区动态，评估补丁并推进关键修复的内核 backport
AI 场景OS自助调优与诊断
面向大模型训练、推理、精调等典型 AI 工作负载，建立内核层参数的系统性调优知识库，覆盖CPU 亲和性、PCIe P2P 带宽、NCCL 网络栈（RoCE/IB）等关键维度
设计并开发内核参数自助调优工具/平台：根据用户提交的工作负载画像（模型规模/GPU 拓扑/通信模式），自动推荐并下发最优参数组合
建立调优效果评估闭环体系：A/B 对比测试框架 + 性能基线库，量化各参数组合对训练吞吐（token/s）、推理延迟（TTFT/TBT）的影响
参与研究eBPF 可观测工具链，实现对 GPU 内核驱动调用链路、PCIe 总线利用率、CPU-GPU 协同调度的细粒度监控与剖析
优先资格
熟悉内核模块开发、设备驱动框架（PCIe/DMA/interrupt）、内存管理子系统（mmap/huge pages/NUMA）者优先
深入理解 NVIDIA CUDA 驱动栈（用户态 Runtime 与内核态 UVM/GSP 模块），熟悉 GPU 显存管理机制（UVM、NVLink/P2P），有驱动级问题定位或定制开发经验者优先
了解 NCCL/集合通信原理，有过 GPU 训练性能调优（通信/计算 overlap、显存碎片优化等）实践者优先
熟悉 eBPF，具备 GPU 驱动调用链路追踪或内核性能剖析能力，参与过 Linux 内核、NVIDIA 开源驱动或 QEMU/KVM 上游社区贡献者优先
AI 洞察
优缺点分析
优点
- 技术深度高：可深入接触NVIDIA GPU驱动栈、内核开发和eBPF等前沿技术，积累稀缺经验
- 平台影响力强：百度AI基础设施支撑众多产品，你的工作将直接影响大模型训练效率
- 薪资竞争力强：AI大模型热潮下，GPU相关人才需求旺盛，百度提供有竞争力的薪酬
- 成长空间大：有机会参与开源社区贡献，与行业顶尖工程师合作，技术视野开阔
- 技术门槛高：需要对系统编程、内核驱动和GPU架构有深入了解，学习曲线陡峭
- 工作强度大：作为核心基础设施，需要应对线上故障和紧急修复，可能面临高压
- 技术迭代快：NVIDIA驱动和AI框架更新频繁，需持续跟踪新技术，保持知识更新
缺点 / 挑战
- 适合热爱系统底层技术、对GPU和内核驱动有浓厚兴趣的工程师，能接受从构建工具到性能优化全方位的挑战，并希望在AI基础设施领域深耕的硬核技术人
角色解读
- 技术纵深发展：成为GPU虚拟化、驱动优化或内核性能调优领域的专家
- 架构师方向：负责AI基础设施整体方案设计，从计算、网络到存储的全栈优化
- 管理路线：带领团队负责百度AI算力平台的核心组件，向技术经理或总监发展
- 负责GPU镜像的构建、集成和版本管理，确保多架构多驱动版本的兼容性和稳定性
- 建设自动化CI/CD流水线，实施镜像质量测试和安全扫描，保障交付的镜像安全合规
- 针对大模型训练等AI场景，进行内核参数调优和诊断工具开发，量化性能影响
- 追踪上游GPU驱动社区动态，评估并回传关键补丁，保持技术栈的前沿性
- 精通C/C++和脚本语言，具备系统级软件开发能力，能独立构建运维工具链
- 深入理解Linux内核驱动框架、GPU驱动栈和CUDA运行时，有驱动问题定位经验
- 熟悉容器镜像技术、CI/CD工具和多架构构建，有镜像生命周期管理经验
- 了解NCCL集合通信和GPU性能调优，具备eBPF或内核性能剖析能力
申请策略
- 关注百度昆仑芯和NVIDIA的最新动态，在面试中展现对AI算力基础设施的深入思考
- 准备一个完整的性能调优案例，从问题定位到优化方案到效果量化，展示系统性能力
- 突出系统编程经验：具体列出C/C++项目，尤其是与内核、驱动程序或性能优化相关的经历
- 强调GPU相关项目：如CUDA开发、驱动集成、NCCL调优等，最好有量化性能提升的数据
- 展示自动化能力：描述CI/CD流水线、镜像构建或自动化测试工具的开发经验
- 体现开源贡献：如果有Linux内核、OpenStack或GPU相关开源社区的patch或PR，重点标注
- 系统学习Linux内核驱动开发，特别是PCIe、DMA和内存管理相关模块
- 动手实践NVIDIA CUDA驱动栈，熟悉UVM和GSP模块，尝试编写简单的驱动测试程序
面试指南
- STAR法则：从场景、任务、行动、结果维度结构化描述项目经验
- 分层分析：从应用层、内核层、硬件层逐层拆解问题，展示系统性思考
- 实验驱动：强调通过A/B测试、性能基线量化效果的思路
- 请描述一次你优化GPU训练性能的具体案例，用了哪些方法？效果如何？
- Linux内核中，驱动模块加载时如何与设备匹配？简述PCIe枚举过程
- 如何设计一个多版本GPU驱动管理工具？考虑哪些兼容性问题？
- 解释NCCL通信中NVLink和PCIe的不同，如何优化通信与计算overlap？
- eBPF如何追踪GPU驱动调用？描述一个你可能用eBPF解决的性能问题
匹配度报告
69
综合匹配度
AI大厂核心基础设施岗位，前沿GPU技术栈，发展空间极大，但工作强度高，WLB一般。
适合人群
适合将技术成长和技能积累放在首位的工程师，愿意在高压力高回报的环境中深耕AI底层技术，对薪资和工作强度有较高包容度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利匹配
75中等
百度作为上市大厂，薪资福利有竞争力，但未在JD中提及具体薪资和福利，薪酬信号为未披露。整体补偿性中等偏上。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
90较高
该职位涉及GPU驱动、内核、eBPF等前沿技术，且明确要求跟进开源社区动态，技术深度和成长空间极大。发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈GPU、NVIDIA、CUDA、eBPF、Linux内核、NCCL、RoCE/IB
业务类型profit_center
工作生活匹配
40较低
JD未提及远程办公或弹性工作，且大厂基础设施团队通常要求现场办公，工作强度可能较高。生活方式满足度较低。
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
70中等
职位属AI基础设施，推动大模型训练效率，具有一定技术社会价值。行业处于高速增长期，但JD未提及使命或社会影响。
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