智谱
AI 院--MOE 训练/推理Infra工程师
AI 院--MOE 训练/推理Infra工程师
发布于 4 个月前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
软件工程
分布式训练
模型优化
系统设计
负载均衡
高性能计算
CUDA
MoE
PyTorch
AI 估算 · 35k–60k
岗位聚焦前沿AI基础设施，技术门槛高，位于北京且要求高级经验，薪资具备较强市场竞争力。
职位详情
关于这个职位
这是一个专注于MOE（专家混合）模型训练与推理基础设施开发的高级工程师职位
你将负责设计、实现并优化支持大规模分布式训练和推理的框架，解决专家选择、负载均衡、通信优化等技术难题，并与算法团队紧密合作，确保前沿AI算法的顺利落地
最低要求
关键技能：
分布式训练技术：
掌握分布式训练框架（如 Horovod、PyTorch Distributed）的使用和优化
具备设计和实现高效分布式训练系统的能力
硬件加速优化：
熟悉 GPU、TPU 等硬件架构，能够进行硬件级性能调优
了解 CUDA、cuDNN 等相关技术，能够利用硬件加速提升训练和推理效率
模型优化技术：
了解量化、剪枝、压缩等模型优化方法，以提升推理效率
能够在实际项目中应用这些技术，优化模型大小和推理速度
负载均衡与通信优化
能够设计高效的负载均衡策略和通信机制，以应对 MOE 模型的稀疏性挑战
优化分布式系统中的通信开销，提高数据传输效率
系统设计能力：
具备分布式系统设计经验，能够解决大规模模型训练和推理中的工程问题
能够设计和实现高可用、高扩展性的系统架构
其他：
计算机科学、软件工程、人工智能或相关领域的本科及以上学历
熟悉至少一种深度学习框架，如 TensorFlow、PyTorch 等
具备扎实的分布式系统和高性能计算的相关知识，熟悉 MPI、NCCL 等通信库
熟悉 Linux 操作系统及常用命令，具备良好的脚本编写能力（如 Bash、Python 等）
具备良好的问题解决能力和团队协作精神，能够承受工作压力，保证项目按时完成
良好的英语阅读和写作能力，能够阅读和理解英文技术文档
工作职责
主要职责：
设计并实现高效的 MOE 训练/推理框架：
设计并开发支持大规模分布式训练和推理的 MOE 框架，确保其在各种硬件配置下的高效运行
优化训练和推理性能，通过算法优化、并行计算、缓存策略等方式，缩短训练和推理时间，提高效率
解决 MOE 训练/推理过程中的技术难题：
针对专家网络的选择问题，研究和实现有效的专家选择算法，确保模型在训练和推理过程中的稳定性和准确性
解决负载均衡问题，通过动态调整专家网络的负载分配，提高系统资源的利用率，避免过载或空闲状态
优化通信过程，减少分布式训练和推理中的通信开销，提高数据传输效率，缩短训练和推理时间
与算法团队密切合作：
与算法团队保持密切沟通，了解算法需求，根据需求调整和优化训练和推理基础设施，确保算法的顺利实现
跟踪业界最新技术动态，引入适合项目需求的新技术、新方法，提升团队整体技术水平
优先资格
优先考虑：
具有 MOE 或相关领域（如分布式训练、模型并行等）的开发经验
在相关领域发表过高质量论文或拥有相关专利
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与MOE等前沿AI模型的基础设施建设，技术栈领先，积累价值高
- 平台优势：智谱在AI领域具有知名度，提供接触核心项目和行业顶尖人才的机会
- 综合锻炼：岗位横跨算法、系统、硬件，能全面提升复杂工程问题的解决能力
- 技术难度高：需要同时精通分布式系统、深度学习和硬件优化，学习曲线陡峭
- 竞争激烈：岗位要求高，面向的是有丰富经验的高级工程师，求职竞争可能较为激烈
- 适合拥有扎实分布式系统和AI工程背景，追求技术深度，并希望在前沿AI基础设施领域做出贡献的高级工程师
缺点 / 挑战
- 工作压力大：负责核心基础设施，需保证系统高可用与高性能，项目交付压力可能较大
角色解读
- 技术路径：可向AI系统架构师、首席工程师等深度技术专家方向发展
- 管理路径：积累项目经验后，有机会转向技术管理岗位，带领团队攻坚
- 行业路径：在AI基础设施领域的深厚积累，是进入顶级科技公司或AI独角兽的宝贵资本
- 核心工作是开发与优化支持MOE（专家混合）模型的大规模分布式训练和推理框架
- 需要解决专家选择、负载均衡、通信优化等具体技术难题，确保系统高效稳定运行
- 与算法团队紧密协作，将前沿算法需求转化为可落地的工程实现
- 扎实的分布式系统与高性能计算知识，精通PyTorch Distributed、Horovod等框架
- 深入的硬件加速优化能力，熟悉GPU/TPU架构及CUDA、cuDNN等底层技术
- 系统架构设计能力，能够设计高可用、高扩展性的大规模训练推理系统
申请策略
- 提前了解智谱AI的主要研究方向和技术产品，思考你的技能如何与其业务结合
- 在沟通中展现出对解决底层技术难题的热情和强大的学习能力
- 重点突出大规模分布式训练系统的实际设计和开发经验，特别是性能优化案例
- 详细描述在GPU/TPU等硬件上进行性能调优、解决通信瓶颈的具体项目
- 如有MOE、模型并行等相关经验或高质量论文/专利，务必作为核心亮点展示
- 深入研读MOE及相关稀疏化训练的最新论文，理解其核心挑战与工程实现
- 系统性复习分布式系统原理、通信库（MPI, NCCL）及深度学习框架的底层机制
- 准备1-2个能体现你解决复杂系统性能问题的完整项目案例，梳理清楚技术细节
面试指南
- 采用STAR原则（情境、任务、行动、结果）来结构化回答项目经验类问题
- 对于技术方案题，先阐述问题本质与核心目标，再分步骤给出你的设计思路与权衡考量
- 结合具体数据（如性能提升百分比、规模数据）来量化你的工作成果，增强说服力
- 请详细描述你设计或优化过的一个分布式训练系统，遇到了哪些挑战，如何解决的？
- 在GPU集群上训练大模型时，如何分析和优化通信开销？
- 你对MOE模型的理解是什么？在工程实现上，你认为最大的挑战是什么？
- 请谈谈你使用PyTorch Distributed或Horovod进行性能调优的具体经验
- 如果专家网络负载严重不均衡，你会设计怎样的策略来动态调整？
职位点评
79
综合评分
技术前沿、成长性极佳的高级AI基础设施岗位，位于北京，预计工作强度较高。
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。
更适合这类人
最适合那些将技术成长和职业发展置于首位，愿意为前沿技术挑战投入大量精力，对薪资有合理期望但对WLB要求不高的资深技术人才。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展95
工作生活50
使命价值85
薪资福利
80较高
薪资预计具备市场竞争力，但具体福利待遇未在JD中明确披露，存在一定不确定性。
薪资信号未披露（AI估算：35K-60K/月）
成长发展
95较高
岗位技术栈前沿，涉及AI基础设施核心，与算法团队合作紧密，技能成长和行业视野提升空间巨大。
技术前沿前沿/新兴技术
技术栈MOE、分布式训练、PyTorch、CUDA、GPU、TPU、负载均衡、模型优化
成长机会提升团队整体技术水平
业务类型ambiguous
工作生活
50较低
工作地点明确为北京，需现场办公。JD中未提及任何弹性工作或WLB相关信号，且包含“能够承受工作压力”的表述。
工作模式仅现场办公
办公地点未明确
加班情况JD含高强度暗示词
使命价值
85较高
投身于前沿AI模型的基础设施建设，推动AI技术进步，行业前景广阔且富有技术使命感。
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
智谱 的其他在招职位
相似职位推荐
Watch Jobs