百度
大模型训推框架优化工程师（J97863）
大模型训推框架优化工程师（J97863）
发布于 2 天前普通员工/个人贡献者
北京市 / 上海市
中级经验
全职员工
仅现场办公
学历未注明
CUDA
AI芯片
大模型
DeepSpeed
SGLang
vLLM
MoE
Megatron
Kv Cache
训推框架
AI 估算 · 30k–60k
一线城市大模型技术岗，技术壁垒高，大厂薪资竞争力强，月薪3-6万，年终2-4个月。
职位详情
关于这个职位
加入百度智能云AI计算部训推加速团队，专注于大模型训练与推理的性能极致优化
你将接触万卡推理集群和千卡训练集群，参与自研芯片的规模化应用，从框架到硬件全栈优化，确保DeepSeek、GLM等SOTA模型获得业界最优的吞吐与延迟
适合对大模型训推引擎有浓厚兴趣、追求技术极致的工程师
最低要求
思维活跃，学习能力强、自驱力强，愿意主动捣腾事情
对大模型训推引擎或异构计算编程有浓厚的兴趣
拥有 vLLM、SGLang、Megatron、DeepSpeed 等主流框架的实战或者学习经验，或具备深入的 CUDA/高性能算子开发经历
对技术执着，不满足于“能跑”，致力于“更快”，愿意死磕每一个微小的优化点，追求系统性能的极致边界
工作职责
大模型推理引擎优化：面向大规模 MoE 架构，从服务调度、并行策略、KV Cache 管理等维度进行极致优化，确保 DeepSeek、GLM 等 SOTA 模型获得业界最优的吞吐与延迟表现
积极参与 sglang 社区，将领先的 feature 回馈社区
高性能 KV 系统开发：参与自研的生产级 KV Cache 池化系统的开发，实现 Prefill 与 Decode 阶段的一化内存管理，突破显存墙限制，提升长上下文处理能力
全模态训练引擎研发：构建自研全模态训练框架，设计自适应切分与通算编排策略，让 LLM、VLM、VLA 等多模态前沿模型获得业界领先的训练效率
自研芯片算子与适配：深入底层硬件，极致优化自研芯片算子性能，完成主流大模型框架的适配与迁移，充分释放自研芯片的算力潜能
优先资格
具备良好的"Vibe Coding"素养，善于利用 AI 工具链提升工程效率，对人机协同编程有丰富的实践经验和独到感悟
在大模型训推方向有优秀的论文产出，能够将工程实践转化为高质量的学术成果
AI 洞察
优缺点分析
优点
- 百度平台资源丰富，MaaS服务、千卡训练任务提供实战场景
- 团队鼓励开源贡献，能参与社区建设，提升行业影响力
- 薪资竞争力强，大厂福利体系完善
- 技术难度高，需深入底层硬件和框架，学习曲线陡峭
- 工作强度较大，追求极致的性能优化需要大量投入
- AI行业更新快，需持续学习最新模型和框架
- 适合对AI系统底层优化充满热情、乐于死磕技术细节、希望在大模型领域快速成长的工程师
缺点 / 挑战
- 身处AI最前沿，接触万卡级集群和自研芯片，技术挑战大、积累含金量高
角色解读
- 技术纵深发展：成为大模型训推架构专家，主导下一代推理引擎设计
- 横向扩展：从推理到训练全栈覆盖，晋升为系统架构师
- 管理路线：带领团队攻关核心性能指标，成长为技术经理
- 优化大模型推理引擎，提升MoE架构下的服务吞吐和延迟，参与vLLM、SGLang等开源社区
- 开发高性能KV Cache池化系统，突破显存墙限制，支持长上下文处理
- 研发全模态训练框架，设计自适应切分策略，提升LLM、VLM等模型的训练效率
- 优化自研AI芯片算子性能，完成主流框架适配与迁移，释放芯片潜力
- 精通大模型训推框架如vLLM、SGLang、Megatron、DeepSpeed等
- 深入掌握CUDA编程和高性能算子开发，具备异构计算经验
- 熟悉MoE架构、KV Cache管理、分布式并行策略
- 具备自研芯片或底层硬件优化经验者优先
申请策略
- 在简历中附上个人GitHub或技术博客，展示技术热情和深度
- 提前了解百度自研芯片（如昆仑芯）的基本架构，展现对全栈优化的理解
- 突出大模型训推框架的实战经验，如优化过特定模型或参与过相关项目
- 展示CUDA/高性能算子开发成果，如性能提升数据或开源贡献
- 强调对系统性能极致优化的案例，如降低延迟、提升吞吐的具体指标
- 如有论文或开源贡献（特别是vLLM、SGLang等），务必提及
- 系统学习vLLM、SGLang等框架源码，理解其调度、并行、显存管理机制
- 深入掌握CUDA编程，练习算子优化技巧（如warp shuffle、shared memory）
面试指南
- 结构化回答：先阐述问题背景，再提出具体策略（如KV Cache量化、PagedAttention），最后总结效果
- 对比分析：比较不同框架或方法的优缺点，展现技术视野
- 量化思维：回答中尽量用数据说话，如延迟减少XX%，吞吐提升XX倍
- 如何优化Transformer推理中的KV Cache？请举例说明
- 请解释vLLM的调度机制，如何提升吞吐？
- 在MoE模型中，哪些并行策略能减少通信开销？
- 描述一个你在CUDA算子优化中的具体案例，包括挑战和效果
- 如何调试大模型训练中的显存不足问题？有哪些优化手段？
匹配度报告
70
综合匹配度
大厂前沿技术岗，薪资高、成长快、技术极客乐园，但工作节奏紧张。
适合人群
适合追求技术深度和前沿发展、对工作强度有准备、不特别看重WLB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70
成长发展95
工作生活40
使命价值75
薪资福利匹配
70中等
薪资未披露但大厂普遍较高，福利未提及，补偿性动机中等。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
95较高
技术前沿性极强，涉及大模型训推全栈优化，成长空间巨大，是发展性动机的核心优势。
技术前沿前沿/新兴技术
技术栈大模型、训推框架、CUDA、vLLM、SGLang、Megatron、DeepSpeed、MoE、KV Cache、AI芯片
业务类型ambiguous
工作生活匹配
40较低
仅现场办公，未提及WLB，互联网大厂高强度岗位，生活化动机较低。
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
75中等
大模型是高速增长赛道，推动技术边界，有一定的使命感和行业影响力，但未提及社会价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
百度 的其他在招职位
相似职位推荐
Watch Jobs