UCloud logo
优刻得
实习生-推理优化

实习生-推理优化

发布于 2 个月前

实习/见习

AI 估算 · 5.0–8.0千 · AI 参考估算
无经验要求
学历未注明
实习生仅现场办公算法优化工程师
算法优化工程师
Cuda
Gpu
Nccl
Pytorch
Vllm
分布式训练
大模型推理
性能优化
性能监控

值不值得投

65综合评分

综合评分 65

前沿技术、深度成长、转正机会明确,但工作模式与WLB待确认。

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,方便比较实习机会。

薪资怎么样

7.0千

比算法优化工程师中位数低

发布情况

长期在招 · 60 天前发布

公司情况

这家公司招聘很活跃

42 个在招

市场机会

选择面较广

上海 · 算法优化工程师 · 约 210 个在招

职位详情

关于这个职位

这是一个专注于大模型推理与训练性能优化的技术实习岗位

你将深入探索从上层框架到硬件底层的全链路优化,协助解决客户实际技术问题,并参与前沿模型的复现与微调工作
该职位为技术探索欲强、希望深入AI系统底层的候选人提供了宝贵的实践机会

最低要求

年毕业生优先

需要保证至少4个月的实习,每周出勤4天
优秀实习生可以转正

工作职责

全链路性能优化与研究(核心重点):

深入研究并优化从上层框架(vLLM/Sglang)到 PyTorch,再到 CUDA/NCCL 以及底层硬件(GPU/网络互联)的完整调用链路
针对大模型推理和分布式训练场景,搭建性能理论模型(Performance Modeling),识别系统瓶颈
设计并实现精细化的性能监控系统,量化分析算力利用率(MFU/HFU)及通信开销
深度技术支持与问题排查:
协助客户定位主流开源代码在推理或训练过程中遇到的复杂 Bug
排查分布式环境下的机器故障(软硬件结合问题),保障集群稳定性
为客户提供定制化的性能优化与加速方案,提升模型落地效率
模型复现与微调实践:
基于 PyTorch 等框架,从零搭建或深度定制经典及前沿模型(如 Transformer 架构、Stable Diffusion、YOLO 等)
负责相关模型的微调(Fine-tuning)与适配工作,验证优化策略的有效性

AI 洞察

优缺点分析

优点

  • 能接触到从模型到硬件的完整技术栈,技术深度和视野开阔
  • 岗位聚焦性能优化这一核心领域,能积累非常硬核的专业经验
  • 有导师带领,且优秀实习生有转正机会,职业起点明确
  • 涉及大模型等前沿技术,行业发展趋势好
  • 性能优化工作可能需要耐心和严谨的分析,结果反馈周期可能较长
  • 适合计算机科学或相关专业、对AI系统底层原理有强烈探索欲、乐于钻研技术难题、未来有志于从事系统优化或AI基础架构工作的2027届学生

缺点 / 挑战

  • 技术挑战大,需要深入理解系统底层,学习曲线陡峭
  • 作为实习岗,可能需要在有限时间内快速上手复杂项目,压力较大

角色解读

  • 技术专家路径:深耕AI系统优化领域,成为性能工程或编译器优化专家
  • 研发工程师路径:转向更广泛的大模型算法研发或AI平台开发
  • 技术支持路径:凭借深厚的技术功底,成为解决复杂问题的技术顾问
  • 参与大模型全链路性能优化,从框架到硬件进行深度研究与调优
  • 为客户提供技术支持,排查复杂的分布式系统Bug与故障
  • 实践前沿AI模型的复现、搭建与微调,验证优化方案的有效性
  • 对AI系统全栈(框架、编译、硬件)有好奇心和学习热情
  • 扎实的Python编程基础,熟悉PyTorch,了解CUDA/GPU并行计算
  • 具备优秀的调试和问题定位能力,能分析系统瓶颈
  • 了解Transformer、大模型推理(如vLLM)等概念,有相关实践更佳

申请策略

  • 仔细阅读JD中提到的具体技术栈(vLLM, Sglang, CUDA, NCCL等),并在面试中展现你的了解
  • 准备一个你独立或参与过的、与“优化”或“调试”相关的技术项目故事,清晰地讲述你的思路和收获
  • 展现出对优刻得云计算业务的了解,思考你的技能如何应用于他们的产品(如UAI平台)
  • 突出任何与性能优化、系统编程、CUDA/GPU编程、分布式系统相关的课程项目或个人实践
  • 展示使用PyTorch或其他框架搭建、训练、调试AI模型的经验,尤其是遇到性能瓶颈并解决的经历
  • 强调快速学习能力和解决复杂技术问题的案例,即使是小项目也体现分析过程
  • 系统学习CUDA编程基础和GPU并行计算原理
  • 深入了解至少一个主流推理框架(如vLLM)或训练框架的原理

面试指南

  • 对于概念题,采用“定义-作用-挑战-优化点”的结构回答,体现系统性思考
  • 对于实践题,结合具体例子,按照“问题现象-排查工具/方法-分析过程-解决方案-结果验证”的框架叙述
  • 对于方案设计题,先明确目标,再拆解可能涉及的环节,结合已知技术点提出具体可行的思路
  • 请解释一下大模型推理中KV Cache的作用,以及从哪些环节可以对它进行优化?
  • 在Python/PyTorch中,如何定位一段模型训练代码的性能瓶颈(例如GPU利用率低)?
  • 你了解哪些分布式训练的并行策略(如数据并行、模型并行、流水线并行)?它们各自适用于什么场景?
  • 请描述你如何为一个新模型或代码进行性能分析(Profiling)并制定优化方案的思路
  • 复习计算机体系结构基础(如缓存、内存层次、并行计算),这对理解性能优化至关重要

职位点评

薪资福利60
成长发展90
工作生活40
使命价值75

薪资福利

60中等

作为实习岗位,薪资处于上海技术实习市场的一般水平,能提供基本的生活补贴。JD中未提及具体福利,补偿性满足程度有限。

薪资信号市场水准 (5.0–8.0千/月)

成长发展

90较高

该职位聚焦于AI系统优化的前沿技术,技术深度和广度俱佳,有明确的导师制和转正路径,对技能成长和职业发展帮助极大。

技术前沿前沿/新兴技术
技术栈vLLM、PyTorch、CUDA、NCCL、大模型推理、分布式训练、性能监控
成长机会和你的导师共同完成、优秀实习生可以转正
业务类型profit_center

工作生活

40较低

JD未提及任何远程或弹性工作安排,推断为现场办公。作为涉及底层优化的技术岗,可能需要专注和较长的工作时间,工作生活平衡信号不明确。

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

75中等

该职位直接参与大模型技术落地,属于AI领域的核心环节,技术挑战性高,能带来较强的技术成就感和行业影响力。

行业发展高速增长赛道
社会影响中性/一般
使命信号提升模型落地效率
创新程度积极采用新技术
Watch Jobs