GPU Kernel Development Software Engineer
发布于 2 小时前普通员工/个人贡献者
值不值得投
综合评分 77
顶尖 AI 基础设施技术岗，前沿技术栈驱动职业发展，但需接受现场办公模式
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比高性能计算中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
89 个在招 · 其中高性能计算 2 个
市场机会
选择适中
上海 · 高性能计算 · 49 个在招
职位详情
关于这个职位
作为AMD GPU团队的核心工程师，负责优化和开发深度学习框架（如PyTorch、vLLM），重点提升GPU内核及大模型在训练/推理中的性能
最低要求
深入掌握 vLLM 或 SGLang 等推理框架，熟悉现代 LLM 架构（DeepSeek, Qwen）及 Transformer/Attention/MoE/KV Cache 理论
工作职责
Deep Learning & LLM Framework Optimization: 优化主要 DL/LLM 框架（TensorFlow, PyTorch, vLLM, SGLang）适配 AMD GPU 并向上游贡献改进
优先资格
GPU 内核开发与优化：使用 HIP, CUDA, ASM 及 CK, CUTLASS, Triton 工具为 AMD GPU 设计调优内核，了解 GCN/RDNA 架构
AI 洞察
优缺点分析
优点
- 接触最前沿的 AI 基础设施技术栈（LLM, GPU Kernel），平台技术深度极高，有利于构建硬核技术壁垒
- 技术门槛极高，需同时兼顾软件框架与硬件底层，调试难度大，对计算机体系结构理解要求极深
- 适合热衷于底层系统优化、对计算机体系结构有浓厚兴趣且具备极强自驱力的资深工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席科学家、技术 Fellow 发展，或在 AI 基础设施、高性能计算领域成为行业顶尖专家
- 专注于 AMD GPU 硬件特性的深度学习框架底层优化，特别是大语言模型（LLM）的训练与推理加速
- 精通 C++/Python 高性能编程，深入理解 GPU 架构（GCN/RDNA）、编译器原理（LLVM/ROCm）及分布式训练机制
申请策略
- 准备详细的技术案例，说明如何解决复杂的性能瓶颈问题，展现系统性思维
- 突出开源项目贡献（尤其是 PyTorch/TensorFlow/vLLM 相关），展示具体的性能优化数据（如吞吐量提升百分比、延迟降低数值）
- 强化对 AMD ROCm 生态的了解，深入研读 FlashAttention/PagedAttention 等最新论文的实现细节
面试指南
- 采用 STAR 法则（情境-任务-行动-结果），重点描述遇到的具体性能瓶颈、使用的分析工具（如 Nsight Compute）、采取的优化手段及最终量化的性能收益
- 请解释 FlashAttention 的核心原理及其如何减少 HBM 访问？
- 如何在多节点环境下优化 All-Reduce 通信瓶颈？
- 对比 CUDA 与 HIP 编程模型，在移植内核时需要注意哪些陷阱？
- 如何针对特定 LLM 架构设计高效的 KV Cache 管理策略？
- 复习 Transformer 架构细节，熟悉主流 LLM 推理框架的代码结构，了解 AMD GPU 的最新架构特性
职位点评
薪资福利
作为已上市的跨国巨头，提供具有竞争力的薪酬包及完善的福利体系，符合市场对高端技术人才的定价标准。
成长发展
处于 AI 基础设施的最前沿，涉及 LLM 优化、GPU 内核开发等高精尖技术领域，技术成长空间极大。
工作生活
职位标记为 #LI-FL1 即现场办公，且属于核心研发岗位，通常意味着较高的工作强度和专注度要求，WLB 相对一般。
使命价值
致力于通过技术创新解决世界重要挑战，赋能 AI 突破，具有显著的行业影响力和技术使命感。
超威半导体 的其他在招职位