哔哩哔哩
【B-UP】GPU集群调优工程师-性能调优（实习）
【B-UP】GPU集群调优工程师-性能调优（实习）
发布于 大约 15 小时前实习/见习
上海市
无经验要求
实习生
仅现场办公
学历未注明
信息技术与基础设施
GPU
PyTorch
CUDA
RDMA
NCCL
Distributed Training
AI 估算 · 4k–8k
大厂 GPU 集群实习，技术含金量高，日薪通常 200-400 元，月薪估算 4-8k。
职位详情
关于这个职位
该实习岗位聚焦于大规模 GPU 集群的全栈性能优化，涉及硬件驱动、分布式通信、系统内核及 AI 框架调优
你将参与大模型训练集群的日常运维、监控和故障排查，配合团队提升集群算力利用率与任务吞吐
适合对高性能计算和 AI 基础设施有浓厚兴趣的技术同学
最低要求
计算机、网络工程、电子信息、高性能计算、人工智能等相关专业
熟悉 Linux 操作系统，掌握基础 Linux 命令，了解 Shell/Python 任意一种脚本语言，具备基础脚本编写能力
了解计算机网络基础原理，熟悉 TCP/IP、二层/三层网络架构，有 RDMA、InfiniBand、RoCE 网络认知者优先
了解 GPU、CUDA 基本概念，接触过分布式计算、高性能集群、AI 训练环境者优先
具备良好的问题排查思路、逻辑分析能力，学习能力强，能接受集群 7×24 应急值守（轮班），责任心强、善于沟通协作
工作职责
工作职责:
面向高性能 GPU 大卡集群、AI 训练 / 推理集群，聚焦集群全栈性能优化、网络异常检测、服务器故障定位，支撑大模型训练、分布式算力业务稳定高效运行
团队通用职责：
参与大规模 GPU 集群日常压测、基线梳理、运维保障，配合完成集群扩容、版本升级、环境标准化工作
基于 Prometheus、Grafana、DCGM 等工具搭建集群监控大盘，输出性能报表、故障分析报告与优化方案
编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀技术知识库
协同算法、平台、网络团队，联动定位集群全链路问题，保障大模型训练、分布式任务稳定运行
跟踪 GPU 集群、RDMA 网络、分布式通信前沿技术，持续优化集群架构与运行效率
岗位具体职责：
聚焦硬件、驱动、通信库、调度、框架全维度性能优化，提升集群算力利用率与任务吞吐，细分具体工作内容：
负责 GPU 硬件栈调优：完成 GPU 驱动、CUDA、cuDNN、固件版本选型与参数调优，优化 GPU 功耗、显存占用、卡间 NVLink 通信效率，解决 GPU 降频、算力跑不满问题
分布式通信优化：针对 NCCL 集合通信库做参数调优，优化多机多卡分布式训练通信逻辑，降低通信时延、提升集合通信吞吐
系统与内核调优：基于 Linux 操作系统做内核参数、内存、IO、进程调度优化，适配高负载 GPU 集群运行场景
算力调度优化：配合 Slurm/K8s 算力调度平台，优化任务队列、资源配额、负载均衡策略，减少任务排队、资源碎片问题
AI 框架适配调优：对接 PyTorch、TensorFlow、vLLM 等主流框架，完成训练 / 推理场景参数调优，实现计算与通信重叠，提升端到端任务性能
集群基准测试：使用行业标准压测工具完成集群算力、吞吐、时延基准测试，定位性能瓶颈并落地优化方案
优先资格
了解 NCCL、分布式训练原理，有 Linux 内核调优、算力压测相关实践经验
AI 洞察
优缺点分析
优点
- 接触大规模 GPU 集群，技术前沿，能深入底层性能调优
- 哔哩哔哩大厂平台，技术氛围浓厚，能接触业界一流实践
- 团队职责包含前沿技术跟踪，有持续学习成长空间
- 需要 7×24 轮班应急值守，工作强度较大
- 实习期间需要快速掌握大量底层知识，学习曲线陡峭
- 集群调优问题复杂，需要较强的逻辑分析和排查能力
缺点 / 挑战
- 适合对高性能计算、AI 基础设施有浓厚兴趣，自学能力强，能承受一定工作压力的在校学生
角色解读
- 积累大规模 GPU 集群调优经验，成为高性能计算或 AI 基础设施专家
- 可向算法工程、平台架构或分布式系统方向深入发展
- 有机会转正为正式员工，参与更核心的集群设计与规划
- 参与大规模 GPU 集群的日常压测、监控和故障排查，使用 Prometheus、Grafana、DCGM 等工具搭建监控大盘
- 负责 GPU 硬件、驱动、CUDA 等层的调优，优化 NVLink 通信效率和 GPU 功耗
- 针对 NCCL 进行分布式通信调优，降低多机多卡训练通信延迟
- 配合 Slurm/K8s 调度平台优化资源分配，提升集群利用率和任务吞吐
- 熟悉 Linux 操作系统，掌握 Shell/Python 脚本编写
- 了解计算机网络基础，对 RDMA/InfiniBand 有认知者优先
- 具备 GPU 和 CUDA 基础概念，了解分布式训练或高性能计算
- 良好的问题排查和学习能力，能适应 7×24 轮班值守
申请策略
- 在简历中体现对技术细节的追求和解决问题的能力，可附上相关博客或 GitHub 项目
- 了解哔哩哔哩的技术栈和 AI 业务方向，面试中展现匹配度
- 突出 Linux 使用经验、Shell/Python 脚本编写能力
- 强调与 GPU、CUDA、分布式训练相关的项目或课程实践
- 展示网络基础（TCP/IP、RDMA）或高性能计算相关经历
- 如有参与过压测、性能调优等实践，务必详细描述
- 提前学习 CUDA 编程和 NCCL 基础，了解分布式训练原理
- 动手搭建简单 GPU 集群环境（如使用 Docker + PyTorch），练习性能监控工具（Prometheus）
面试指南
- 针对性能问题：先明确现象，再分层排查（硬件/驱动/网络/框架），使用工具定位
- 针对原理问题：从基础概念出发，结合具体场景说明优化手段
- 针对项目经历：采用 STAR 原则，突出个人贡献和量化结果
- 解释 GPU 训练中常见的性能瓶颈有哪些？如何定位？
- NCCL 的基本原理是什么？如何调优集合通信？
- 描述一次你排查 Linux 系统性能问题的经历
- 如何监控大规模 GPU 集群的运行时状态？
- 你对 RDMA 和 InfiniBand 的了解？
职位点评
59
综合评分
大厂GPU集群实习，技术前沿、成长性强，但需轮班值守，WLB较差。
更适合这类人
适合高度重视技术成长、愿意投入高强度学习、对工作生活平衡要求不高的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利50
成长发展85
工作生活30
使命价值70
薪资福利
50较低
实习薪资处于市场中等水平，但大厂福利尚未明确，稳定性一般，补偿性动机满足程度有限。
薪资信号未披露（AI估算：4K-8K/月）
成长发展
85较高
技术栈前沿，涉及 GPU、CUDA、分布式通信等新兴技术，成长空间大，但缺少明确的培训或晋升信号。
技术前沿前沿/新兴技术
技术栈GPU、CUDA、NCCL、RDMA、PyTorch、Kubernetes
业务类型ambiguous
工作生活
30较低
要求现场办公且7×24轮班值守，工作灵活性差，生活化动机满足度低。
工作模式仅现场办公
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
70中等
AI行业高速增长，岗位对技术推动有积极意义，但社会影响力中性。
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