AI视频 - AI infra 算法工程师

优缺点分析

角色解读

• 技术专家路线：深耕AI infra领域，成为GPU优化、分布式训练或推理加速方面的顶尖专家
• 架构师路线：主导AI基础设施架构设计，负责跨模型、跨模态的infra平台搭建
• 技术管理路线：带领infra团队，管理多个项目，推动技术战略规划与落地
• 负责视频生成大模型的训练框架开发与适配，包括训练加速、性能优化和任务稳定性提升
• 参与推理框架开发与适配，优化推理性能并保障服务稳定性，推动AIGC模型产品落地
• 跟踪前沿技术，探索新的优化方案，提升模型训练和推理效率，推动技术创新
• 扎实的编程能力与架构设计能力，精通Python/C++，熟悉数据结构与算法
• 深入理解GPU原理，熟练使用CUDA或Triton编程，熟悉TensorRT等推理加速框架
• 熟悉分布式训练框架如FSDP、DeepSpeed、Megatron，具备大规模训练优化经验
• 了解AIGC模型（如DiT、Flux、HunyuanVideo），有相关优化经验者优先

申请策略

• 在简历中附上GitHub或技术博客链接，展示开源贡献或技术笔记，体现技术热情
• 提前了解昆仑万维的AI产品（如Skywork、天工等），在面试中表达对业务的理解
• 突出GPU编程经验：详细描述CUDA/Triton项目，包括优化成效（如加速比、延迟降低等）
• 展示分布式训练项目：列出使用FSDP/DeepSpeed/Megatron的实战经验，量化训练效率提升
• 强调推理部署案例：说明曾使用TensorRT/VLLM等框架优化推理服务，并保持稳定性
• 体现对AIGC模型的了解：提及DiT、Flux等模型的分析或优化经历
• 深入学习CUDA编程和GPU架构，掌握NVIDIA Nsight性能分析工具
• 动手实践分布式训练框架，可在开源模型上尝试优化并记录benchmark

面试指南

• 从原理细节入手：先说明基础理论，再结合项目实例，最后总结优化效果
• 结构化回答：问题背景→困难挑战→解决方案→实施步骤→量化成果
• 对比分析：针对工具选择问题，从性能、易用性、适用场景等维度对比，体现决策能力
• 请解释CUDA的grid-block-thread层次结构，并说明如何优化kernel的访存效率
• 你在使用DeepSpeed时遇到过什么性能瓶颈？如何解决的？
• 请比较TensorRT和VLLM的推理加速原理和适用场景
• 描述一次你优化大规模模型训练的经历，包括使用的框架、优化的参数和最终效果
• 你对DiT模型架构的理解是什么？在工程优化上有什么思路？