美团
【北斗】广告大模型训练推理工程师
【北斗】广告大模型训练推理工程师
发布于 大约 16 小时前普通员工/个人贡献者
北京市
无经验要求
全职员工
仅现场办公
本科
软件工程
分布式系统
PyTorch
GPU优化
模型量化
SGLang
vLLM
大模型训练
混合精度训练
Megatron
AI 估算 · 25k–40k
美团校招AI工程师薪资通常在25k-40k/月，技术栈前沿且算力充足，竞争力强。
职位详情
关于这个职位
作为美团的广告大模型训练推理工程师，你将参与构建下一代生成式广告系统，负责设计分布式训练框架和实时推理引擎，优化大稀疏+大稠密模型的性能与精度
这是一个直面工业级GPU集群、解决真实世界技术难题的硬核岗位，适合对AI Infra充满热情、渴望在算力优化与模型部署领域深耕的应届生
最低要求
【任职资格】 2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项：
有大厂实验室的实习经验，或有贡献突出的开源项目，熟悉PyTorch、Megatron、vLLM/SGLang等机器学习框架，有大规模分布式系统开发经验
在ACM-ICPC（国际大学生程序设计竞赛）、Kaggle、数学建模竞赛（如MCM/ICM）、奥赛（数学、物理、信息学等）等取得显著成绩
在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）
重点关注ICLR，NeurIPS,ACL, EMNLP, ICML, TPAMI, TASLP, TKDD上有一作论文的候选人
社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先
工作职责
生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略
高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求
低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题
广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务
AI 洞察
优缺点分析
优点
- 团队带教资源好，1V1指导快速补齐AI+Infra复合能力
- 美团本地生活核心业务，广告场景真实且数据量大，技术价值高
- 工作节奏可能较快，需适应互联网大厂的项目周期和迭代速度
- 岗位竞争激烈，要求有突出的实习、竞赛或论文经历
- 适合顶尖院校计算机/AI专业、有扎实理论基础和强烈技术好奇心、渴望在AI系统方向深耕的应届生
缺点 / 挑战
- 算力资源充足，接触真实工业级GPU集群，技术挑战硬核
- 技术栈要求高，需同时掌握大模型训练和推理优化，对初学者有较大压力
角色解读
- 从AI Infra工程师成长为系统架构师，主导下一代广告引擎的设计
- 在美团丰富的业务场景中积累经验，转向算法或系统团队的技术专家或团队管理者
- 深入LLM和推荐系统的交叉领域，成为稀缺的复合型人才
- 设计并实现生成式广告模型的分布式训练系统，优化数据并行、模型并行和混合精度训练
- 构建高性能推理引擎，面对大稀疏Embedding和大稠密LLM的混合架构，降低延迟、提升吞吐
- 进行低精度训推协同优化，在模型性能与精度之间找到最佳平衡点
- 重构广告链路的多阶段网络传输，端到端提升召回、排序和机制服务的效率
- 扎实的编程基础，精通Python和C++，熟悉PyTorch、Megatron等深度学习框架
- 深入理解分布式系统原理，有大规模分布式训练或推理系统的开发经验
- 熟悉GPU体系结构，了解混合精度训练、模型量化、通信优化等技术
- 具备良好的学术背景或竞赛经验，能在顶级会议发表论文或获得ACM等竞赛奖项
申请策略
- 面试前了解美团广告系统的基本业务，思考如何利用大模型提升广告效果
- 准备1-2个技术难点攻坚案例，展示深度技术思考
- 强调分布式系统或模型优化相关的实习项目，突出实际贡献和规模
- 列出高含金量竞赛成绩或顶会论文，尤其是ICLR、NeurIPS等
- 展示开源项目参与度或GitHub高星项目，体现工程能力
- 系统学习PyTorch分布式训练、Megatron-LM等框架原理
- 深入理解GPU内存层次、混合精度和量化技术
- 动手实践搭建简单的推荐模型训练推理流程
面试指南
- 针对系统设计类问题：先用分层思路拆解需求，然后对比不同方案优缺点，最后结合实际场景给出选择
- 针对技术难点类问题：按STAR法则描述背景、目标、行动和结果，突出自己的贡献和思考
- 针对开放性问题：从业务价值和技术趋势两个角度阐述，展示行业认知
- 请解释ZeRO优化器的工作原理及其在分布式训练中的作用
- 如何优化大稀疏Embedding的存储和访问效率？
- 描述一个你参与过的分布式训练系统，遇到的最大挑战是什么？
- 在大模型推理中，如何平衡延迟和吞吐？列举常用优化手段
- 你对广告推荐系统和大模型的结合有什么看法？
匹配度报告
70
综合匹配度
美团核心广告技术岗，前沿大模型+硬核Infra，发展性极佳但工作强度可能较大。
适合人群
适合追求技术成长、渴望挑战前沿AI Infra难题，对工作强度有心理准备、不太介意WLB的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展95
工作生活40
使命价值70
薪资福利匹配
75中等
美团作为上市大厂，校招薪资待遇在行业内具有竞争力，但JD未披露具体薪资和福利，补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：25K-40K/月）
成长发展匹配
95较高
JD明确强调算力充足、技术硬核、带教资源好，发展性动机得到极高满足，是岗位核心优势。
技术前沿前沿/新兴技术
技术栈大模型训练、分布式系统、GPU优化、混合精度、模型量化、Transformer、HSTU
成长机会算力资源充足、带教资源好、1V1指导
业务类型profit_center
工作生活匹配
40较低
工作地点在北京，未提及远程或弹性办公，且互联网大厂广告业务通常强度较大，生活方式动机满足度较低。
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
美团本地商业广告有很强的业务价值和用户影响力，但社会使命感一般，意义感动机中等偏上。
行业发展高速增长赛道
社会影响中性/一般
使命信号构建健康的本地商业生态、推动本地商业数字化营销的发展
创新程度积极采用新技术
Watch Jobs