美图
高性能计算工程师 （北京）
高性能计算工程师 （北京）
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公高性能计算
高性能计算
Cuda
Diffusion
Dit
Pytorch
Tensorrt
Vllm
Vlm
推理优化
值不值得投
75综合评分
综合评分 75
核心AI业务、前沿大模型推理优化技术栈、技术成长空间极大，薪资福利未明确披露。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
5万
比高性能计算中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 120 个在招
市场机会
选择适中
北京 · 高性能计算 · 29 个在招
职位详情
关于这个职位
该职位负责美图AI影像大模型（如Diffusion、DiT、VLM）的全链路推理优化，致力于降低端到端延迟并提升GPU吞吐与算力性价比
你需要深入模型内部定位瓶颈，落地量化、剪枝等压缩方案，并基于TensorRT、vLLM等后端进行深度定制，与算法团队协作推动高清图像与长视频生成场景的推理方案落地
最低要求
计算机、电子、AI或高性能计算相关专业背景，本科及以上学历，能用C++与Python自如地折腾系统
扎实的深度学习基础，熟悉Diffusion、Transformer、DiT、VAE等图像/视频生成网络的结构与计算特点
对PyTorch的推理链路不陌生，至少精通一种推理加速框架，如TensorRT、ONNX Runtime、vLLM、SGLang
理解CUDA基础、GPU内存模型，会用Nsight等手段做性能profiling
熟悉量化、算子融合、动态批处理、显存优化等常规加速手段，并能说出各自适用边界
工作职责
主导图像/视频生成大模型的全链路推理优化——覆盖Diffusion、ViT、DiT、VLM，从端到端延迟、GPU吞吐到算力成本，把每一条推论的性价比压榨到极致
深入模型内部定位性能瓶颈，用图优化、算子融合、显存复用、动态shape适配、预处理流水线加速等手段，持续拉低延迟水位
落地PTQ/QAT量化（INT4/INT8/FP8）、蒸馏、剪枝、LoRA加速等压缩方案，在画质与推理效率之间做出漂亮的权衡
基于TensorRT、vLLM、SGLang、Diffusers等推理后端进行深度定制，开发面向视频生成的特化缓存机制，如中间特征Cache、时序KV Cache
探索采样加速、LCM、连续批处理与请求调度策略，从零搭建性能评测基线体系，持续跟踪p99延迟、首帧耗时、单卡并发等关键指标
和算法团队紧密协作，针对高清图、长视频、动态分辨率、多帧率等场景，设计端到端的推理优化方案并推动落地
追踪前沿推理加速技术，复现SOTA方案，并将行之有效的实践融入生产环境
优先资格
有分布式推理、模型并行（TP/PP）的实战经验
在SD/SDXL、视频DiT、文生视频模型优化上摸爬滚打过，踩过真实业务的坑
对HuggingFace Diffusers源码如数家珍，能动手改，不只看
掌握OpenAI Triton、CUDA Kernel开发，能写出漂亮的自定义算子
做过国产芯片上的模型迁移与性能调优
熟悉视频编解码、多分辨率bucket策略、时序特征优化等视频管线特有的加速手段
AI 洞察
优缺点分析
优点
- 处于AIGC与大模型落地的核心赛道，技术栈前沿（Diffusion、DiT、vLLM等），极具技术含金量
- 业务场景丰富（高清图、长视频、动态分辨率），能积累大量真实业务场景下的性能调优实战经验
- 公司已上市且AI影像为核心业务，资源投入稳定，能接触到大规模线上推理场景
- 需要在画质与推理效率、算力成本之间做极致权衡，对系统底层原理和算法理解要求极高
- 适合对底层性能优化有热情、具备扎实C++/CUDA基础，且希望在AIGC大模型推理加速领域深耕的资深工程师
缺点 / 挑战
- 大模型推理优化技术迭代极快，需要持续追踪SOTA方案并快速复现落地，学习压力较大
角色解读
- 纵向可深耕高性能计算与底层算子开发，成为推理加速领域的底层技术专家
- 横向可扩展至大模型分布式训练、AI infra架构设计，或向AI算法与工程结合的技术管理方向发展
- 负责美图AI影像大模型（如Diffusion、DiT、VLM）的全链路推理优化，降低端到端延迟并提升GPU吞吐量
- 深入模型内部定位性能瓶颈，落地量化、剪枝、算子融合等压缩方案，平衡画质与推理效率
- 基于TensorRT、vLLM等推理后端进行深度定制，开发特化缓存机制，并搭建性能评测基线体系
- 精通C++与Python，具备扎实的深度学习基础，熟悉Diffusion、Transformer等生成网络结构
- 精通至少一种推理加速框架（如TensorRT、vLLM、SGLang），理解CUDA基础与GPU内存模型
- 熟练使用Nsight等工具进行性能Profiling，掌握量化、算子融合、显存优化等加速手段
申请策略
- 投递前可体验美图最新的AI影像产品，了解其生成效果与响应速度，在面试中提出针对性的优化思路
- 重点突出在Diffusion、DiT或视频生成模型上的推理优化经验，量化延迟降低和吞吐提升的具体数据
- 展示对TensorRT、vLLM、SGLang等框架的深度定制经验，或自定义CUDA/Triton算子开发的成果
- 强调在画质与效率权衡（如PTQ/QAT量化、剪枝）方面的实战案例及业务落地效果
- 深入研读HuggingFace Diffusers源码及vLLM/SGLang的调度机制，掌握连续批处理与KV Cache优化原理
- 补充视频编解码、多分辨率bucket策略等视频管线特有的加速知识，提升全链路优化能力
面试指南
- STAR法则：情境（业务场景与指标要求） -> 任务（定位瓶颈与目标） -> 行动（具体优化手段如算子融合、量化、Cache机制） -> 结果（延迟降低比例、吞吐提升数据、画质保持情况）
- 底层原理+工程实践：先阐述对CUDA内存模型、Transformer计算特性的理解，再结合具体代码或框架层面的改造细节进行说明
- 在Diffusion或DiT模型推理中，你是如何定位并解决显存瓶颈和计算延迟的？
- 请详细描述一次你使用TensorRT或vLLM进行深度定制的经历，遇到了哪些坑及如何解决？
- 在PTQ/QAT量化过程中，如何保证图像/视频生成质量不出现明显下降？
- 针对长视频生成场景，时序KV Cache和中间特征Cache是如何设计与优化的？
- 如何从零搭建一个针对大模型推理的性能评测基线体系？关注哪些核心指标？
- 复习CUDA编程基础、GPU内存层级结构，以及Nsight Systems/Compute的使用方法与常见性能瓶颈分析
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
职位属于已上市大型企业的核心AI研发岗，薪资竞争力较强，但JD中未明确披露具体薪资范围与福利细节。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
90较高
技术栈极其前沿，涉及大模型推理加速的核心技术，且要求追踪SOTA方案，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈Diffusion、DiT、VLM、TensorRT、vLLM、SGLang、CUDA、PyTorch、Triton
成长机会追踪前沿推理加速技术，复现SOTA方案
业务类型profit_center
工作生活
50较低
JD中未提及工作模式与加班情况，大模型推理优化岗位通常面临线上业务压力，WLB情况无法判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
AI影像生成属于高速增长赛道，用大模型重写创作体验具有较高的产品创新价值与社会应用意义。
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
美图 的其他在招职位
相似职位推荐
Watch Jobs