腾讯
广告推荐模型Infra算法专家
广告推荐模型Infra算法专家
发布于 大约 2 个月前普通员工/个人贡献者
深圳市
专家级经验
全职员工
仅现场办公
本科
软件工程
GPU
PyTorch
TensorFlow
CUDA
NCCL
分布式训练
Ai Infra
Ctr/Cvr
广告推荐
AI 估算 · 50k–80k
腾讯大厂专家岗，广告核心业务，技术难度高，薪资竞争力强。
职位详情
关于这个职位
这个职位是腾讯广告推荐模型AI基础设施的算法专家，负责模型Scaling Up（扩大参数和序列长度）以及新一代训练/推理框架的架构演进
你将与工程团队深度协同，通过算法与工程Co-Design，提升模型迭代效率，直接驱动公司广告业务GMV增长
适合对分布式训练、GPU优化和推荐系统有热情的资深工程师
最低要求
计算机、软件工程或相关专业本科及以上学历，具备扎实的计算机体系结构、操作系统、网络和数据结构基础
极佳的 C++ 和 Python 编程能力，具备复杂系统架构设计能力，代码风格良好，追求极致的系统性能
深入理解 PyTorch/TensorFlow 等主流深度学习框架的底层运行机制（有向无环图优化、内存管理、算子分发等），有定制修改框架底层源码经验者优先
熟悉 GPU 体系结构，熟练使用 CUDA / C++ 编写高性能算子
熟悉 TensorRT、Triton 等推理加速工具链
具备丰富的性能 Profiling 及瓶颈分析经验
熟悉分布式系统的核心理论，深入理解 NCCL、MPI 等通信协议
有 Megatron-LM、DeepSpeed、HugeCTR 等大规模分布式训练框架实战经验者尤佳
了解互联网广告/推荐系统的基本业务链路，熟悉常见的搜广推模型结构（如 DCN、DIN、Transformer 等）
工作职责
模型 Scaling Up：针对推荐大模型（超大参数量、超长序列特征等），设计并实现序列和非序列特征统一建模新范式
新一代架构演进：深度参与广告推荐系统核心 AI 基础设施（AI Infra）的设计与研发，推动从传统架构向基于原生 PyTorch 的新一代推荐训练/推理框架平滑升级
算法与工程 Co-Design：与底层 AI Infra 团队深度协同，深刻理解底层全 GPU 分布式训练（数据并行/模型并行/流水线并行）的特性，通过“算法适配算力”与“算力支撑算法”的双向优化，最大化模型迭代效率
业务赋能：深入理解广告推荐算法业务线（CTR/CVR预估等），通过底层工程架构和模型算法优化，提升模型实验效率，助力业务指标（收入、GMV等）达成
AI 洞察
优缺点分析
优点
- 腾讯大平台，核心广告业务，技术影响力大
- 高薪资与丰厚年终奖，职业发展空间广阔
- 与顶尖算法和工程团队合作，持续学习成长
- 技术栈深且新，需要极强的学习能力和动手能力
- 工作强度可能较大，涉及业务紧急支持和系统稳定性
- 岗位对综合能力要求高，算法与工程需兼顾
- 适合热爱底层技术、追求极致性能、有分布式训练经验且希望深入广告推荐领域的资深算法工程师
缺点 / 挑战
- 前沿技术栈（全GPU训练、PyTorch生态），挑战性高
角色解读
- 技术专家路线：在AI Infra和推荐系统领域深耕，成为业内顶尖专家
- 架构师路线：主导大规模分布式系统的架构设计与演进
- 技术管理路线：带领团队推动技术变革，负责核心业务方向
- 负责广告推荐模型的大规模参数扩展与超长序列特征建模
- 设计并实现基于原生PyTorch的新一代训练/推理框架
- 与底层工程团队协同进行算法与工程Co-Design，优化分布式训练性能
- 深入广告业务，通过底层基础设施优化直接提升CTR/CVR预估效果及GMV
- 精通PyTorch/TensorFlow框架底层机制，有修改源码经验
- 熟悉GPU体系结构和CUDA编程，能编写高性能算子
- 掌握分布式训练核心理论及NCCL、Megatron-LM等实践
- 了解广告推荐模型（DCN、DIN、Transformer等）及其业务链路
申请策略
- 关注腾讯广告技术博客，了解其技术方向
- 准备一个完整的项目案例，展示从问题定义到优化的全过程
- 面试前重点复习分布式训练理论和PyTorch底层机制
- 突出大规模分布式训练项目经验，如使用Megatron-LM、DeepSpeed等
- 展示对PyTorch/TensorFlow框架的定制优化成果，如修改算子、优化内存
- 强调GPU性能优化案例，包括CUDA编程和Profiling分析
- 若有广告推荐相关项目，详细描述CTR/CVR模型优化和业务效果
- 深入学习CUDA编程和GPU体系结构
面试指南
- 先明确问题核心，然后列举现有方案和其优缺点
- 结合自己的实际项目，给出具体的优化策略和效果度量
- 最后总结关键心得和可迁移的方法论
- 如何优化PyTorch的Dataloader和GPU内存使用？
- 解释数据并行、模型并行、流水线并行的区别及适用场景
- 在广告推荐模型中如何实现大规模稀疏特征的处理？
- 你如何优化一个分布式训练任务的通信瓶颈？
- 描述一个你主导的模型架构或训练框架改进项目
职位点评
72
综合评分
腾讯核心广告技术岗，前沿AI Infra方向，薪资优厚，但WLB一般
更适合这类人
最适合追求技术成长和高薪回报、愿意接受高强度工作的算法工程师
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展95
工作生活50
使命价值60
薪资福利
85较高
薪资水平处于行业高位，腾讯大厂福利优厚，但JD未明确具体数字和福利，综合评分较高。
薪资信号未披露（AI估算：50K-80K/月）
成长发展
95较高
该职位涉及广告推荐模型前沿技术（Scaling Up、全GPU训练），技术成长空间极大，业务核心地位提供丰富的发展机会。
技术前沿前沿/新兴技术
技术栈PyTorch、GPU、CUDA、分布式训练、广告推荐、Megatron-LM、DeepSpeed、HugeCTR、Transformer
业务类型profit_center
工作生活
50较低
深圳现场办公，未提及弹性工作或WLB信息，互联网大厂通常有一定工作强度，生活化满足一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
广告业务是腾讯核心盈利部门，行业增长快，但社会价值中性，创新程度高但使命导向一般。
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