AI Software Development Eng.
发布于 4 小时前普通员工/个人贡献者
值不值得投
综合评分 82
顶尖芯片巨头核心AI研发岗，技术前沿性强，成长空间巨大，适合资深技术专家
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
6.3万
比AI算法中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
95 个在招 · 其中AI算法 2 个
市场机会
选择适中
上海 · AI算法 · 31 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vLLM、PyTorch）以适配AMD GPU硬件
最低要求
推理框架、模型架构与优化专长：熟练掌握vLLM或SGLang，精通现代LLM（如DeepSeek, Qwen），深入理解Transformer/Attention/MoE/KV Cache理论，并应用FlashAttention、PagedAttention、连续批处理及量化（INT8/INT4/GPTQ/AWQ）等高级推理优化技术
工作职责
深度学习与大语言模型框架优化：针对AMD GPU优化主流DL/LLM框架（TensorFlow, PyTorch, vLLM, SGLang）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等工具为AMD GPU设计和调优高性能内核的经验，熟悉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），在顶级芯片巨头工作，技术影响力大，能直接参与开源社区建设
- 技术门槛极高，需要同时精通软硬件底层细节
- 适合在高性能计算、编译器或AI系统优化领域有深厚积累，追求技术极致且喜欢解决复杂底层问题的资深工程师
缺点 / 挑战
- 工作压力可能较大，需应对快速迭代的AI模型需求
角色解读
- 可向首席科学家、AI基础设施架构师或高性能计算领域技术专家方向发展，成为行业内的顶尖技术权威
- 专注于AMD GPU硬件上的深度学习框架（特别是LLM推理框架如vLLM）的性能优化与开发
- 精通C++/Python，深入理解GPU架构（GCN/RDNA）、编译器技术（LLVM/ROCm）及大模型推理优化算法（FlashAttention等）
申请策略
- 强调你的开源贡献经历和对上游社区的参与度，这在该岗位中是重要的加分项
- 突出展示在LLM推理优化、GPU内核开发方面的具体项目成果，量化性能提升指标（如吞吐量提升%、延迟降低ms）
- 若缺乏ROCm/HIP经验，建议补充学习AMD GPU编程模型
- 强化对最新LLM推理技术（如Speculative Decoding）的理解
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述技术难题解决过程，重点突出数据分析能力和最终的性能收益
- 请详细描述你优化过的一个LLM推理框架的具体案例，遇到了哪些瓶颈？
- 如何在多GPU环境下进行内存和通信的联合优化？
- 解释一下FlashAttention的工作原理及其相比传统Attention的优势
- 你如何使用Profiler工具定位性能瓶颈？
- 复习Transformer架构细节、KV Cache机制、量化原理
- 准备1-2个深入的技术案例，能够画出系统架构图和数据流
职位点评
薪资福利
作为已上市的跨国巨头，提供具有市场竞争力的薪酬和完善的福利体系，符合专家级人才的薪资预期。
成长发展
职位涉及AI领域最前沿的LLM优化与GPU内核开发，技术栈极具前瞻性，能提供极高的技术成长空间。
工作生活
JD未明确提及弹性工作制或WLB政策，通常此类核心研发岗位可能需要投入较多精力，但作为外企可能有较好的工作氛围。
使命价值
公司使命强调通过技术解决世界重要挑战，推动AI发展，具有较高的社会价值感和行业使命感。
超威半导体 的其他在招职位