模型训练性能优化工程师

该职位来源于猎聘 base地：苏州/杭州均可 岗位内容： 1、参与自动驾驶模型训练加速与性能优化，包括： Data Pipeline Optimization（数据流水线优化）、GPU utilization optimization（GPU利用率优化）、Training throughput optimization（训练吞吐优化） 2、参与分布式训练系统优化，包括： Multi-GPU / Multi-node Training（多机多卡训练）、Communication Optimization（通信优化）、Overlap Communication & Computation（通信计算重叠） 3、参与训练框架与 Runtime 优化： PyTorch Runtime Optimization、CUDA Kernel Optimization、Memory Optimization（显存优化）、Mixed Precision Training（混合精度训练） 4、分析并优化模型训练瓶颈，包括： GPU compute bottleneck、Data loading bottleneck、Kernel launch overhead、Distributed synchronization overhead 5、参与自动化性能 Benchmark 与 Profiling 系统建设： GPU profiling、Training regression analysis、Performance benchmarking 6、跟踪并研究前沿训练加速技术，包括： FlashAttention、Fused Operators、Torch Compile、CUDA Graph、Triton Kernel、Distributed Training Optimization 任职要求： 1、计算机、电子工程、人工智能或相关专业本科/硕士，具备较强工程能力与学习能力。 2、熟悉 Python 或 C++ 编程，具备良好的代码能力。 3、熟悉深度学习框架之一： PyTorch、TensorFlow 或 JAX 4、对 GPU / 并行计算 有一定理解，包括： CUDA execution model、GPU memory hierarchy、Thread / Warp execution、GPU performance basics 5、熟悉深度学习训练流程： Forward / Backward propagation、Optimizer、Distributed Data Parallel（DDP）、Mixed Precision Training 6、具备基本性能分析能力，能够使用 profiling 工具定位性能瓶颈。 加分项： 1、有以下方向经验之一： CUDA Programming、Distributed Training、GPU Kernel、Optimization、AI Compiler、ML Systems 2、熟悉以下工具或框架之一： Nsight Systems、Nsight Compute、PyTorch Profiler、DeepSpeed、Megatron-LM、Horovod 3、有以下优化经验之一： CUDA Kernel Fusion、Memory Optimization、Communication Optimization、Training Throughput Optimization 4、熟悉自动驾驶 / 多模态模型 / 大模型训练相关技术。 5、有开源项目、竞赛或科研经历加分。