快手
【快Star】视频大模型高性能与低精度算子工程师
【快Star】视频大模型高性能与低精度算子工程师
发布于 大约 2 小时前普通员工/个人贡献者
上海市 / 北京市
高级经验
全职员工
仅现场办公
硕士
高性能计算
GPU优化
CUDA
PTX
diffusion模型
算子融合
MoE
稀疏化
Cute
低精度计算
AI 估算 · 35k–60k
快手上市大厂，高性能计算岗位稀缺，需博士或硕士+丰富经验，薪资对标P7-P8，月薪含年终约15薪。
职位详情
关于这个职位
这是一个面向视频大模型的高性能计算与低精度算子优化岗位，工作内容包括设计通算融合算子、优化混合专家网络（MoE）架构、开发低精度/稀疏化算子，并确保扩散模型训练推理一致性
你将深入GPU硬件微架构，使用CuTe和PTX进行极致调优，适合对底层计算和系统优化有浓厚兴趣的技术专家
最低要求
计算机、应用数学、微电子、人工智能等相关专业硕士或博士学位，具备极强的数理逻辑基础与计算机体系结构底蕴
深入理解 GPU 硬件架构和内存系统，熟练掌握底层并行计算框架，擅长使用 CuTe DSL设计高性能计算流水线，对 PTX 汇编/指令级调优及寄存器分配有实战能力
深入掌握 DeepEP、DeepGEMM 或 MegaMoE 等前沿加速库的架构设计，具备实际拆解其并根据生产环境做深度二次开发和优化的经历
熟练掌握低精度/稀疏化算法和算子实现，精通算子融合与计算敏感度分析
工作职责
高性能通算融合算子设计与 PTX 底层优化：深度挖掘下一代计算硬件微架构的物理极限，针对大规模通信设计高性能通算融合算子，利用 CuTe DSL 描述复杂的多维 Layout 转换与共享内存流水线，在寄存器与指令级（PTX ）对算子进行极致调优，将网络通信与矩阵乘法计算在硬件执行流层面进行极致overlap
混合专家网络 (MoE) 高性能架构重构：对业界Moe的高性能执行引擎（如 DeepEP、DeepGEMM、MegaMoE 等开源框架）进行深度重构，攻克Moe中的算子调度、计算强度、负载均衡和overlap问题，在大型集群规模下压榨 MoE 通信与计算的极限吞吐
低精度/稀疏化数值技术与算子加速：针对超大规模视频长序列 MoE 训练显存极限和计算瓶颈，设计极致低精度/稀疏化计算路径，在保证模型效果的前提下放大训练吞吐
Diffusion-Specific 训推一致性对齐：针对视频生成模型特有的多步去噪非对称精度控制，攻克分布式累加浮点非交换性、路由判定和计算块调度等算子随机性源头，在底层算子和并行层面消除不确定性，实现大规模混合专家网络在训推、强化学习阶段完全数学一致性的严格对齐
优先资格
著名开源底层库的核心贡献者、Committer 或核心维护者
在 MLSys、ASPLOS、ISCA、NeurIPS、 ICLR、PPoPP 等系统与机器学习顶级学术会议上发表过高性能算子、量化算法、高性能通信或 MoE 调度相关一作论文
在各类顶级高性能计算、GPU 硬件算子加速等相关竞赛（如 ASC/PAC/IPCC等）中拿过顶尖名次者优先
AI 洞察
优缺点分析
优点
- 团队技术氛围浓厚，有机会接触业界最新加速库和硬件
- 薪酬丰厚，福利完善，股权激励
- 工作强度大，需要持续跟进技术前沿和开源社区
- 上手门槛高，需深入理解硬件和底层优化，适合技术极客
- 适合对GPU底层优化有极致追求、享受挖潜硬件性能、具备系统编程和数学功底的资深工程师或博士
缺点 / 挑战
- 快手大厂平台，视频大模型业务前沿，技术挑战大，成长快
- 岗位方向狭窄，跳槽选择面相对较窄，但含金量高
角色解读
- 成为GPU计算专家/架构师，领导核心算子库团队
- 向系统研究方向发展，在MLSys/ASPLOS等顶会发表论文
- 向AI芯片设计领域横向扩展，加入硬件公司或创业
- 基于GPU硬件特性设计高性能通算融合算子，使用CuTe和PTX做指令级调优，最大化计算与通信重叠
- 对混合专家网络（MoE）的加速库如DeepEP进行深度重构，解决调度、负载均衡和通信瓶颈
- 开发低精度和稀疏化算子，优化视频大模型训练显存和吞吐
- 确保扩散模型在训练和推理阶段数学一致性，消除分布式浮点运算的不确定性
- 深厚计算机体系结构知识，精通GPU微架构（如NVIDIA Hopper/Ampere）
- 熟练使用CuTe DSL和PTX汇编，能进行寄存器级调优
- 熟悉MoE加速库源码（DeepEP、DeepGEMM等），具备二次开发能力
- 掌握低精度量化算法和稀疏化技术，了解数值稳定性
申请策略
- 在简历中展示对底层原理的深刻理解，而非仅罗列工具
- 可以附上个人GitHub仓库，展示相关代码或开源贡献
- 突出GPU相关项目经验，特别是使用CuTe、PTX进行优化的案例
- 详细描述在MoE加速库（如DeepEP）上的二次开发或贡献经历
- 强调任何低精度量化、稀疏化相关成果，附上性能对比数据
- 列出顶会论文、开源贡献或竞赛获奖，证明技术深度
- 若缺乏CuTe经验，可快速学习NVIDIA的CuTe教程并复现简单算子
- 熟悉主流MoE加速库（DeepEP、MegaMoE）的源码结构
面试指南
- 从硬件微架构-并行模型-实现细节三层递进回答
- 结合具体项目实例，用数据说明优化效果
- 展现对开源库源码的分析和理解，而非泛泛而谈
- 请详细讲解GPU共享内存bank conflict的避免方法
- 如何设计一个基于CuTe的高效通算融合算子？
- DeepEP中是如何处理MoE的all-to-all通信和负载均衡的？
- 在混合精度训练中，如何保证低精度数值稳定性？
- 视频生成模型的Diffusion过程在算子层面有哪些优化机会？
匹配度报告
72
综合匹配度
顶尖大厂核心研发岗，前沿技术栈，高薪高压，成长迅猛。
适合人群
最适合追求技术成长、热衷底层优化、能接受高强度的技术专家。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值70
薪资福利匹配
85较高
快手上市大厂，薪资待遇行业内顶尖，福利完善，但岗位门槛高，竞争激烈。薪资信号偏向偏高。
薪资信号偏高 (35K-60K/月)
成长发展匹配
95较高
岗位技术前沿（GPU优化、MoE、低精度），成长空间极大，有机会接触业界最新硬件和框架，并有发表论文和参与开源的机会。
技术前沿前沿/新兴技术
技术栈GPU、CuTe、PTX、MoE、DeepEP、低精度、稀疏化、Diffusion
业务类型profit_center
工作生活匹配
40较低
现场办公，且岗位强度大，需要投入大量时间钻研技术，工作生活平衡可能较差。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
70中等
从事视频大模型底层优化，推动AI技术进步，有一定社会价值，但主要面向商业应用，使命感中等。
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