岗位职责 1. 大模型训练与推理性能分析 面向大语言模型、多模态模型等在 CPU+GPU 异构环境下的训练与推理场景，参与端到端性能分析，定位计算、通信、内存、数据加载及任务调度等环节的性能瓶颈。 2. 训练推理框架性能验证与优化 使用 PyTorch Profiler、Perfetto、perf、hipprof 等工具开展性能剖析，参与 PyTorch、DeepSpeed、vLLM、SGLang 等训练推理框架的性能验证、问题调试与优化，并通过实验验证优化效果。 3. 训练推理性能基准测试与评估 参与搭建可复现的大模型训练与推理性能测试流程；针对不同模型、框架及软硬件配置开展基准测试，采集并分析吞吐、时延、资源利用率、多卡扩展效率等关键指标，输出测试报告和对比结论，为性能优化提供数据支持。 4. 性能分析结果沉淀 整理测试数据、实验过程与分析结论，输出性能测试报告、问题分析报告及优化方案，沉淀可复用的测试方法、分析流程和实践经验。 任职要求 1. 计算机、人工智能、软件工程、电子信息等相关专业，硕士及以上学历的应届毕业生。 2. 具备扎实的计算机基础，学习过操作系统、计算机组成原理、计算机网络、数据结构等核心课程，对程序运行和计算机系统基本原理有较好的理解。 3. 掌握 Python，了解 C/C++，具备良好的编程习惯和代码阅读能力；熟悉 PyTorch、TensorFlow 等至少一种深度学习框架。 4. 了解 CPU+GPU 异构计算的基本原理，对并行计算、内存与显存管理、数据调度等概念有基础认知。 5. 具备良好的问题拆解和逻辑分析能力，能够在指导下完成问题复现、数据采集、性能对比和原因分析，并主动探索解决方案。 6. 对大模型、训练推理框架及系统性能优化方向有浓厚兴趣，具备较强的学习能力，愿意持续深入异构计算与性能优化领域。 7. 具备良好的沟通协作和文档表达能力，能够清晰记录实验过程、测试数据及分析结论。 8. 具备良好的英文技术资料阅读能力，能够阅读官方文档、技术文章及开源项目资料。 加分项 以下条件不作为硬性要求，具备任意一项者优先： - 有深度学习、并行计算、系统优化或高性能计算相关的课程项目、科研、实习或开源项目经历。 - 使用过 PyTorch Profiler、Perfetto、perf、rocprof、hipprof 等任一种性能分析工具者优先。 - 了解 CUDA、HIP、GPU Kernel、算子优化或其他异构编程技术。 - 了解分布式训练、集合通信或大模型推理相关技术。 - 阅读或调试过 PyTorch、DeepSpeed、vLLM、SGLang 等开源框架代码。 - 有性能分析报告、技术博客、开源贡献或相关竞赛成果。