龙旗科技
大模型工程师(J16753)
大模型工程师(J16753)
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Deepspeed
Megatron
Pytorch
Rag
Tensorflow
分布式训练
大模型
机器学习平台
模型加速
值不值得投
72综合评分
综合评分 72
高技术含量的大模型工程岗位，技能成长性强，但工作模式与强度需进一步确认。
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
40K
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
39 个在招
市场机会
选择面较广
上海 · 人工智能 · 约 180 个在招
职位详情
关于这个职位
负责公司大模型相关技术的研发与工程化落地，包括构建大模型自动化工具平台、探索并应用先进的大模型框架与技术，并负责超大规模模型的部署、调优与加速，以提升模型在各类架构上的性能与稳定性
最低要求
计算机相关专业背景
具备3年以上模型工程的经验，特别是训练 & 推理加速的经验
具备超大规模模型的研发经验了解数据并行、流水线并行、Tensor并行的训练方法，有多机多卡并行的大规模联合训练经验
有大规模机器学习平台的架构设计经验，对平台高性能、高可用有着深入的研究
对 Tensorflow & Pytorch 等开源模型框架有深入的研究和实践经验
有开源模型框架优化经验的优先
熟悉Megatron、DeepSpeed、ColossalAI、OneFlow 等开源框架或系统优先
参与过10B参数以上的大模型的训练优先
大学本科学历（含同等学历）：软件，信息工程等理工科相关专业背景优先
有agent和rag开发能力
工作职责
基于公司战略和经营目标，提供龙旗软件大模型自动化工具架构平台 :
基于公司战略和经营目标，对软件自动化提出持续迭代的能力输出.
与客户，内外部资源进行主动积极的沟通交流，协助BU软件进行解决方案推广
负责 预训练大模型的工程化落地，探索业界领先的大模型框架
负责超大模型的部署、调优，确保模型在各种软硬件架构上的功能、性能、稳定性
深入探索针对大模型的训练&推理加速，具备对标业界领先水准的加速能力
优先资格
有开源模型框架优化经验的优先
熟悉Megatron、DeepSpeed、ColossalAI、OneFlow 等开源框架或系统优先
参与过10B参数以上的大模型的训练优先
AI 洞察
优缺点分析
优点
- 处于人工智能最前沿的大模型赛道，技术含量高，能快速积累尖端技术经验
- 岗位聚焦于模型工程化和加速，能深入理解从训练到部署的全链路，工程能力提升显著
- 公司为已上市的大型科技企业，拥有资源支持大模型项目的研发与落地
- 大模型领域技术迭代极快，需要持续学习最新的论文、框架和优化技巧，对学习能力要求高
- 工作可能更偏向于解决具体的工程优化问题和平台开发，而非探索最新的模型算法
- 确保超大规模模型在多种软硬件上的稳定性和高性能，需要处理复杂的兼容性和优化问题
- 适合具备扎实软件工程基础、对大规模分布式系统有浓厚兴趣，并渴望在实际场景中驱动大模型技术落地的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕大模型训练/推理加速领域，成为公司内外的技术权威，参与制定技术标准
- 架构师路线：转向负责更大规模AI基础设施或平台的架构设计，解决更复杂的系统性问题
- 技术管理路线：凭借技术深度与项目经验，带领团队负责大模型相关产品线的研发与交付
- 构建和维护面向公司内部的大模型自动化工具与架构平台，支撑模型研发的效率
- 将先进的预训练大模型从研究阶段落地到实际产品或服务中，解决工程化难题
- 负责超大模型在不同软硬件环境下的部署、性能调优与稳定性保障
- 研究并实践大模型训练与推理的加速技术，追求业界领先的性能表现
- 扎实的大模型工程化能力，特别是大规模模型的训练和推理加速经验
- 精通PyTorch或TensorFlow，并有对其框架本身进行优化的实践经验
- 熟悉主流分布式训练框架（如DeepSpeed, Megatron）及大规模并行训练策略
- 具备设计和构建高可用、高性能机器学习平台的系统架构能力
申请策略
- 研究龙旗科技的产品线及其在AI大模型方面的应用方向，在面试中展示你对业务的理解
- 准备好讨论你过去解决过的具体技术挑战，特别是与性能优化、系统稳定性相关的案例
- 突出具体的大模型项目经历，量化说明训练的模型规模、优化的性能提升比例（如加速比、吞吐量提升）
- 详细描述在分布式训练、推理加速（如量化、剪枝）或框架优化方面的技术实践与成果
- 展示参与构建或维护过的机器学习/模型训练平台的相关经验
- 如有RAG或Agent项目的实践经验，可单独列出以匹配JD要求
- 尝试在开源社区或个人项目中实践Megatron、DeepSpeed等框架，理解其并行策略
- 深入研究PyTorch/TensorFlow的底层机制，阅读相关源码，积累优化经验
面试指南
- 采用STAR原则（情境、任务、行动、结果）来结构化你的项目回答，重点突出你的具体贡献和技术决策
- 对于技术问题，先阐述核心原理，再结合具体实践经验或案例进行说明，体现理论与实践的结合
- 回答平台架构类问题时，先明确核心需求（高性能、高可用、易扩展），再分模块（如资源调度、任务管理、数据管理）阐述设计思路
- 请详细描述一个你参与的大模型训练项目，模型的规模有多大？你使用了什么并行策略？遇到了哪些工程挑战？
- 你如何进行大模型的推理加速？请举例说明你使用过或了解的加速技术（如量化、蒸馏、算子优化）及其效果
- 如果让你设计一个支持多任务、多用户的分布式大模型训练平台，你会如何考虑其架构？
- 你对TensorFlow和PyTorch在分布式训练支持上的优劣有何看法？
- 你是否有过优化深度学习框架本身的经验？比如修改过底层算子或通信库？
职位点评
薪资福利72
成长发展92
工作生活45
使命价值68
薪资福利
72中等
该职位属于高技术壁垒的AI核心岗位，市场薪资水平较高，公司为已上市企业，提供基本的稳定性保障。
薪资信号市场水准 (30K-50K/月)
成长发展
92较高
该职位直接参与大模型工程化前沿领域，要求掌握分布式训练、框架优化等核心技术，技能成长性极强。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、DeepSpeed、Megatron、分布式训练、推理加速、RAG、Agent
业务类型profit_center
工作生活
45较低
职位描述未明确工作模式（如远程、混合办公），且大模型研发通常需要较强的团队协作与硬件环境支持，办公灵活性预期有限。
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
68中等
投身于大模型这一代表性前沿技术领域，具有明确的技术探索价值，但职位描述未突出具体的社会使命或行业愿景。
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