中科曙光
【2027】研发工程师（AI方向）-天津(J14224)
【2027】研发工程师（AI方向）-天津(J14224)
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Cuda
Gpu编程
Sglang
Vllm
分布式通信
大模型
性能分析
推理优化
算子优化
值不值得投
76综合评分
综合评分 76
前沿AI基础设施岗，技术深度要求高，天津稳定发展机会。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
2.8万
比算法优化工程师中位数低
发布情况
新岗位 · 今天发布
市场机会
选择不多
天津 · 算法优化工程师 · 1 个在招
职位详情
关于这个职位
这是一个面向2027届毕业生的AI研发工程师岗位，主要负责大模型推理性能的深度优化与核心算子的性能分析
工作内容涵盖参与主流推理框架（如vLLM、SGLang）的适配与部署，以及进行CUDA kernel、分布式通信等底层计算性能的分析与优化，致力于提升大模型服务的整体效率与稳定性
最低要求
硕士以上学历，计算机、人工智能、软件工程等相关专业优先
熟悉 C/C++ 或 Python，了解 PyTorch 或 Transformers 基础使用
熟悉 Linux、Docker，了解 Kubernetes 或容器化部署优先
理解主流大模型结构、推理流程、显存占用和 batch 机制
了解 CUDA、GPU 编程、并行计算或高性能计算基础
理解矩阵计算、Attention、MoE、量化等大模型核心计算模式
工作职责
方向一岗位职责：
参与 vLLM、SGLang、Transformers 等主流推理框架的版本升级、插件适配和镜像交付
支持模型上线、部署调参、压测验证和问题定位
分析 TTFT、TPOT、吞吐、显存占用和稳定性等推理性能瓶颈
参与 KV Cache、batching、并发调度、模型加载等关键链路优化
沉淀模型部署最佳实践、适配文档和问题解决方案
方向二岗位职责：
参与 GEMM、Attention、MoE、量化/反量化等核心算子的性能分析与优化
分析 AllReduce、AllGather、All-to-All 等分布式通信开销
参与 kernel fusion、算子调度、编译优化和硬件特性适配
使用 profiler 工具定位 GPU kernel、显存访问、通信链路等性能瓶颈
配合框架和部署团队完成端到端性能优化验证
AI 洞察
优缺点分析
优点
- 工作内容处于AI大模型技术栈的底层核心，能接触到最前沿的性能优化课题，技术成长天花板高
- 在中科曙光这类以计算见长的平台，能深入接触软硬件协同优化的技术实践
- 技术深度要求极高，需要同时理解算法、系统、硬件多个层面，学习曲线陡峭
- 性能优化工作常需面对复杂的端到端问题，问题定位难度大，对逻辑思维和耐心是考验
- 作为应届或近期毕业生，需要快速适应工业界大规模系统的复杂度和工程规范
缺点 / 挑战
- 有机会参与处理亿级参数大模型的真实部署与优化挑战，积累宝贵的系统级性能优化经验
- 适合对AI系统底层实现有强烈好奇心、享受解决极致性能挑战、具备扎实计算机体系结构和并行编程基础的硕士及以上学历求职者
角色解读
- 技术专家路线：深耕大模型推理与算子优化领域，成为该方向的技术权威，参与前沿架构设计
- 架构师路线：从单点优化扩展到系统级架构设计，负责大规模AI计算集群的性能架构规划
- 技术管理路线：带领专项技术团队，负责性能优化方向的技术规划与团队管理
- 负责大模型推理框架（如vLLM、SGLang）的工程化落地、性能调优与部署支持，确保模型高效稳定上线
- 从事GPU算子、分布式通信等底层计算模块的深度性能分析与代码级优化，解决关键性能瓶颈
- 运用专业分析工具定位和解决模型在显存、计算、通信链路上的具体问题，并总结形成最佳实践文档
- 与框架团队和模型部署团队紧密合作，完成从算子到端到端的全链路性能优化验证
- 具备扎实的编程能力，至少精通C/C++或Python，并能熟练使用PyTorch/TensorFlow等深度学习框架
- 深入理解GPU编程模型与CUDA生态，掌握并行计算与高性能计算的基础原理
- 对大模型（如Transformer架构）的结构、推理流程、内存占用及批处理机制有清晰认知
- 熟悉Linux系统、Docker容器化技术，并有性能分析与调优的实际经验
申请策略
- 仔细研究中科曙光在AI计算基础设施（如曙光智算、AIPower）方面的产品与布局，思考该岗位如何支撑其业务
- 简历和面试中，重点强调你解决复杂技术问题的思路、分析和动手能力，而非泛泛而谈的理论知识
- 突出与大模型训练/推理、GPU编程（CUDA）、性能优化相关的课程项目或研究经历，附上量化指标（如性能提升百分比）
- 详细描述使用过Docker、Kubernetes进行模型部署，或使用Nsight、PyTorch Profiler等进行性能分析的具体案例
- 列举熟悉的核心技术栈，如Python/C++、PyTorch、vLLM、CUDA、NCCL等，展现技术深度
- 系统学习GPU编程与性能优化知识，可以通过编写简单的CUDA kernel并分析其性能来实践
- 深入了解至少一个主流大模型推理框架（如vLLM）的源码，理解其调度、内存管理机制
- 练习分析简单的分布式通信性能瓶颈，了解AllReduce等操作的实现原理
面试指南
- 针对技术原理问题：采用“定义-影响因素-优化方向”的框架
- 先明确定义，再从算法、系统、硬件多个角度拆解影响因素，最后提出针对性的优化策略
- 针对经历类问题：使用STAR法则（情境-任务-行动-结果）
- 清晰描述问题背景、你的具体目标、采取的分析步骤和最终实现的量化效果
- 针对优化类问题：体现系统性思维
- 从问题现象出发，先使用工具（如profiler）定位瓶颈层次（计算/内存/通信），再提出具体优化方法（算子融合、通信优化、参数调整等）
- 请解释一下大模型推理中TTFT（首token延迟）和TPOT（每token延迟）的影响因素，以及可能的优化思路？
- 在CUDA编程中，如何分析和优化一个GEMM算子的性能？可能遇到哪些瓶颈？
职位点评
薪资福利75
成长发展90
工作生活50
使命价值80
薪资福利
75中等
该职位薪资水平预期处于市场中等偏上，具有竞争力，但具体福利待遇未在JD中披露。
薪资信号市场水准 (2千–3.5万/月)
成长发展
90较高
技术栈涉及大模型优化最前沿的底层技术（CUDA、推理框架、算子优化），技能成长价值极高。
技术前沿前沿/新兴技术
技术栈vLLM、SGLang、Transformers、PyTorch、CUDA、GEMM、Attention、MoE、量化、AllReduce、Kubernetes
业务类型profit_center
工作生活
50较低
工作模式、工作时间强度等生活化信息在JD中完全未提及，无法判断。
工作模式未明确
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
80较高
岗位处于AI算力基础设施这一高速增长赛道，致力于提升大模型效率，对推动AI应用落地有直接价值。
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