小红书
【2027校招】测试开发
【2027校招】测试开发
发布于 大约 1 小时前管理培训生(管培生)
全职员工仅现场办公测试开发
测试开发
Ai芯片
Gpu性能测试
分布式训练
基准测试
大模型评测
性能调优
高性能计算
值不值得投
80综合评分
综合评分 80
大厂核心AI基础设施岗，技术栈深且前沿，成长性强，但工作模式与强度需进一步确认。
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
23K
与测试开发中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1410 个在招
市场机会
选择面较广
杭州 · 测试开发 · 71 个在招
职位详情
关于这个职位
这是小红书针对2027届校园招聘的测试开发岗位，专注于AI基础设施的测试与性能优化
工作核心包括为GPU集群设计微架构级的性能基准测试，构建大模型训练与推理的全链路评测体系，并深度参与软硬件协同问题的定位与解决
该职位要求候选人具备扎实的计算机体系结构知识和GPU系统实战经验，能够开发自动化测试平台，并将技术成果沉淀为可复用的基础设施能力
最低要求
本科及以上学历，计算机体系结构、高性能计算、电子工程、人工智能等相关专业，扎实的计算机系统功底，熟悉Linux内核、CUDA编程、计算机网络及存储原理
GPU与AI系统经验：
a、有CUDA/OpenCL kernel编写与性能调优实战经验，理解GPU内存层次、Warp调度、Tensor Core工作机制
b、参与过Megatron-LM/DeepSpeed/vLLM/TensorRT-LLM等框架的开发、测试或深度使用，理解分布式训练/推理底层机制
c、在MLSys、ISCA、MICRO、ASPLOS等会议发表过GPU/AI系统相关论文，或在知名开源项目（如PyTorch、Triton、FlashAttention）有实质性贡献
测试与研究能力：具备严谨的实验设计思维，能独立定义评测指标、控制变量、排除干扰因素
熟练使用Nsight Systems/Compute、Perfetto、DCGM等profiling工具
有大规模集群（≥千卡）测试经验者优先
工程落地意识：代码能力强（Python/C++/Rust至少精通一门），注重代码质量与可维护性
能将研究成果转化为自动化工具或平台组件，而非仅停留在论文/报告层面
工作职责
GPU集群性能基准测试与分析：设计并执行针对英伟达/国产等主流AI芯片的微架构级Benchmark（如GEMM、AllReduce、显存带宽），建立标准化性能基线
深入分析算力瓶颈、通信延迟及能效比，输出可落地的硬件选型与调优建议
大模型训练/推理系统评测：构建覆盖预训练、SFT、RLHF及推理服务的全链路评测框架，量化评估不同并行策略（TP/PP/DP）、算子融合、量化精度（FP8/INT4）对吞吐量、延迟、收敛性的影响，支撑训练框架与推理引擎的迭代优化
软硬件协同问题定位：联合芯片厂商、驱动团队及算法团队，复现并根因分析GPU相关故障（如ECC错误、NVLink降速、OOM、精度漂移），推动固件/驱动/编译器层面的修复验证，保障万卡集群稳定性
前沿技术预研与工具建设：跟踪NVIDIA/AMD/国产芯片新特性（如Blackwell FP4、MI300X MFMA），提前验证其在小红书业务场景的适用性
开发自动化测试平台与可视化分析工具，提升团队研发效能
技术标准沉淀与知识传递：撰写GPU测试规范、性能调优手册及故障案例库，参与内部技术培训，将研究成果转化为可复用的基础设施能力
优先资格
熟悉国产AI芯片（昇腾、寒武纪、海光等）生态或有适配经验
有编译器（TVM/MLIR/XLA）或算子库（cuBLAS/cuDNN）开发背景
在Kaggle/顶会竞赛中取得优异成绩，或有高质量技术博客/开源项目
AI 洞察
优缺点分析
优点
- 工作成果直接支撑公司核心AI业务的稳定与效率，影响力大
- 岗位属于AI系统的关键环节，有利于构建稀缺的技术护城河和专业声誉
- 技术难度极高，需要持续学习GPU架构、分布式系统和编译器等底层知识
- 问题定位往往复杂，涉及软硬件多层交互，对耐心和系统性思维要求高
- 作为测试开发，需要在保证技术深度的同时，平衡工程效率和工具产出
- 对计算机底层系统有强烈好奇心、追求技术深度、具备良好问题分析与工程化能力的应届生，未来有志于成为AI基础设施或系统性能领域的专家
缺点 / 挑战
- 深入接触AI基础设施最前沿的GPU硬件与大模型系统，技术栈深且有挑战性
角色解读
- 在GPU/AI系统测试领域成为专家，深入芯片微架构和分布式系统底层
- 向性能架构师或AI基础设施负责人方向发展，主导整体性能优化策略
- 可横向拓展至AI芯片选型、训练框架优化或系统软件开发等更广阔的AI基础设施领域
- 对GPU集群和主流AI芯片进行深入的微架构级性能基准测试，分析性能瓶颈并输出优化建议
- 构建和维护针对大模型训练与推理的全链路自动化评测体系，量化评估技术方案的效果
- 与芯片厂商、驱动和算法团队协作，定位并解决复杂的GPU软硬件协同问题，保障大规模集群的稳定性
- 跟踪前沿AI硬件技术，开发自动化测试与分析工具，并将技术经验沉淀为团队共享的知识库和标准规范
- 深厚的计算机体系结构和高性能计算知识，精通Linux系统、CUDA编程和分布式计算原理
- 具备GPU性能调优和AI系统（如DeepSpeed, vLLM）的实战经验，理解底层机制
- 严谨的测试研究思维，能熟练运用各类性能分析工具，并有大规模集群测试经验
- 扎实的工程编码能力（Python/C++/Rust），能将测试研究成果工程化、平台化
申请策略
- 仔细阅读JD中关于GPU架构、分布式框架的细节，这些是面试的潜在重点
- 可以提前了解小红书在AI领域的一些公开技术分享或博客，了解其技术栈和挑战
- 面试中展现严谨的逻辑思维和对技术问题刨根问底的精神，这非常契合该岗位的‘研究’属性
- 重点突出任何与GPU、CUDA、分布式系统相关的项目经历或研究成果，即使是课程设计
- 强调使用性能分析工具（如Nsight, perf）和解决实际性能问题的经验
- 展示代码能力，例如开源贡献、GitHub项目或竞赛中高质量的代码实现
- 如有相关领域的学术论文、技术博客或在知名开源项目中的贡献，务必清晰列出
- 系统复习计算机体系结构、操作系统和计算机网络的核心知识
面试指南
- 对于架构/原理类问题，采用“定义-机制-影响”的框架，先清晰解释概念，再阐述其工作原理，最后说明对性能或测试的意义
- 对于评测设计类问题，采用“目标-方法-指标-控制”的框架，明确要评估什么，设计怎样的测试方案，关注哪些量化指标，并如何控制变量以确保结果准确
- 对于问题排查类问题，采用“现象-假设-验证-结论”的框架，描述问题现象，列出可能的假设，说明如何通过实验或工具验证假设，最终得出根因和解决方案
- 请解释一下GPU中Warp是如何调度执行的，以及这对性能测试有什么影响？
- 如果你要评估一个大模型推理引擎的性能，你会设计哪些关键指标和评测方法？
- 描述一个你遇到过的复杂的性能问题（软件或硬件），你是如何一步步定位并解决的？
- 你如何看待国产AI芯片的发展？如果我们需要适配新芯片，测试开发需要做哪些准备工作？
- 你有使用过CUDA或参与过高性能计算相关的项目吗？请具体介绍
职位点评
薪资福利75
成长发展95
工作生活60
使命价值80
薪资福利
75中等
作为大厂校招技术岗，薪资福利体系相对完善，在杭州地区具有市场竞争力。
薪资信号市场水准 (18K-28K/月)
成长发展
95较高
该岗位是深入AI基础设施底层、掌握GPU系统核心知识的黄金起点，技术栈前沿且稀缺，成长路径清晰。
技术前沿前沿/新兴技术
技术栈GPU、CUDA、分布式训练、大模型、性能调优、基准测试、PyTorch、DeepSpeed、vLLM、TensorRT-LLM
成长机会前沿技术预研、技术标准沉淀、内部技术培训
业务类型profit_center
工作生活
60中等
JD未明确说明工作模式与Work-Life Balance相关信息，但基于岗位性质（测试集群、问题排查）推断需要现场办公。
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
参与保障万卡集群的稳定性，支撑大模型训练与推理，工作对平台核心AI能力有直接贡献。
行业发展高速增长赛道
社会影响中性/一般
使命信号保障万卡集群稳定性、支撑训练框架与推理引擎的迭代优化
创新程度积极采用新技术
小红书 的其他在招职位
相似职位推荐
Watch Jobs