ML System Research/Engineer

的下一个挑战

3D 是生成式 AI 大胆创新的新前沿。我们在此的工作涉及训练和推理领域中许多独一无二的新挑战。你在 Meshy 的下一个挑战将涵盖 AI 的全栈领域：构建训练框架、为我们的基础模型训练扩展高吞吐量 3D 数据管线、与研究人员共同设计新型模型架构，再到应对扩散模型及其他模型高效推理引擎的全新挑战。

以下是这些挑战在各个层面的一些具体示例：

在训练方面：

与研究人员紧密合作，共同设计 3D 与空间 AI（Spatial AI）的下一代前沿技术。

基于现代 PyTorch 进行构建与调试，以实现最大化的并行度和执行效率，并为我们内部的基础模型构建整洁、直观的训练基础设施。

识别性能瓶颈，并针对成百上千张 GPU 上的高吞吐量及高效分布式模型训练进行优化。

使用 Triton 或 CUDA 实现并维护 3D 专用的自定义算子（Custom Operators）。

实现并维护新型数据加载（Data-loading）框架与库。

在大规模训练中落地并调试低精度训练（如 fp8/fp4 与混合精度），在保证模型收敛与数值稳定的前提下，进一步提升训练吞吐与显存利用率。

在推理方面：

构建包含复杂多阶段模型管线的高效推理端点（Inference Endpoints）。

通过图编译（Compilation）、算子融合（Fusion）、低精度量化（Quantization）等技术优化模型。

职位要求

具备机器学习或高性能图形学经验。

对至少一种机器学习框架（如 PyTorch、JAX）有扎实的实践认知和深入理解。

具备出色的编程能力，能使用 Python 和/或 C++ 编写高性能且易于维护的代码。

学习能力强，能够快速掌握新概念或深入理解复杂的代码库。

具备性能与效率导向的思维，对优化最微小的细节（如内存带宽、通信延迟）充满热情。

出色的沟通能力，能够胜任在全球分布式团队中的协作。

加分项

对探索 PyTorch 底层内部机制充满热情，并具有 torch.compile、fully_shard (FSDP2) API 等领域的实操经验。

具备编写生产级 Triton Kernel 或 CUDA 算子的经验。

具有 3D 生成、视频扩散模型（Diffusion Models）或大规模三维资产处理经验。

熟练低精度（如fp4 或 fp8） 大规模训练与混合精度调试经验。

具备扎实的计算机图形学基础，熟悉常见 3D 表征及其相互转换 （mesh、point cloud、voxel、SDF/隐式场、NeRF、3D Gaussian Splatting 等），并对其在生成模型中的取舍有自己的理解。