算子开发岗

优缺点分析

角色解读

• 技术专家路线：深耕AI算力优化领域，成为算子开发与性能调优方向的技术权威，参与更底层的架构设计
• 架构师路线：向AI系统架构师或GPU计算架构师发展，负责更宏观的算力平台规划与软硬件协同设计
• 技术管理路线：在积累深厚技术后，可带领专项技术团队，负责AI算力平台的建设与管理
• 针对大模型训练和推理场景，设计和开发高效的基础算子与自定义算子，并对其进行极致性能优化
• 对主流大语言模型和多模态模型进行全链路性能分析与调优，涵盖分布式训练的多种并行策略，以提升整体算力效率
• 与软硬件架构师协作，进行前瞻性技术探索，将算法需求与硬件特性深度结合，推动新一代AI硬件适配
• 排查和解决复杂的跨团队性能瓶颈与稳定性问题，总结并沉淀可复用的优化方案、工具与文档
• 精通CUDA并行编程和计算机体系结构，对GPU硬件架构、存储层级和并行计算有深入理解
• 拥有丰富的大模型算子开发与性能优化实战经验，熟悉算子融合、量化、访存优化等核心技术
• 深入理解主流大模型架构与算法，能够独立完成从编译到推理的全链路性能调优
• 熟练使用Nsight Compute/Systems、perf等专业性能分析工具，能精准定位各类性能瓶颈

申请策略

• 在简历或面试中，准备好具体的技术案例，清晰地阐述你遇到的性能问题、分析思路、采用的优化手段以及最终效果
• 研究吉利汽车在智能化、自动驾驶或AI算力平台方面的公开信息，了解你的工作可能如何与具体业务场景结合
• 突出任何与CUDA、GPU编程、高性能计算相关的项目经历，用具体数据（如性能提升百分比）量化优化成果
• 详细描述参与的大模型训练或推理优化项目，明确你在其中的角色和使用的核心技术（如FlashAttention、算子融合等）
• 列出你熟练使用的性能分析工具链，并展示你如何运用这些工具定位并解决过实际瓶颈问题
• 展示对至少一个主流大模型架构（如LLaMA）或深度学习框架（如PyTorch）底层原理的深入理解
• 系统性地复习计算机体系结构，特别是现代GPU的计算单元、内存层次和并行执行模型
• 通过开源项目或自设练习，深入实践大模型算子的开发与优化，积累第一手调试经验

面试指南

• 对于项目经验问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出你的技术分析和决策过程
• 对于技术原理问题，先阐述核心概念，再解释其与性能（如内存访问、计算密度）的关联，最后可以结合简单例子或对比说明优势
• 对于方法论问题，按逻辑顺序分点回答：初步判断 -> 工具定位 -> 数据分析 -> 假设验证 -> 实施优化 -> 效果验证
• 请介绍一个你主导或深度参与的大模型算子优化项目，具体是如何分析性能瓶颈并实施优化的？最终提升了多少性能？
• 解释一下FlashAttention的核心思想是什么？它相比朴素Attention实现，在性能上为什么能有巨大提升？
• 当遇到一个大模型训练速度远低于理论值的性能问题，你的排查思路和步骤是什么？
• 你了解哪些GPU显存优化技术（如梯度检查点、显存池化、混合精度训练的内存占用分析等）？请举例说明
• C++或CUDA代码中，你如何保证多线程/多GPU计算的正确性与高性能？