About The Role

AI workload 正在快速分化：LLM 的训练与推理范式仍在演进（long context、MoE、reasoning、speculative decoding），同时具身智能（VLA、diffusion policy）、自动驾驶（BEV、端到端、world model）、搜索广告推荐（大规模稀疏模型 + 生成式重排）各自形成了差异明显的计算特征。
本岗位的核心价值在于：把这些不断变化的 workload 翻译成可量化、可比较、可用于系统与架构决策的语言。你的分析结论会直接影响我们对硬件选型、系统设计与优化方向的判断。
我们不要求你已经是专家，但希望你有扎实的体系结构直觉、动手能力，以及在一个快速变化的领域里持续自我更新的意愿。
岗位职责
1.Workload 建模与特征刻画：对典型模型进行算子级与图级 profiling，量化 compute intensity、memory bandwidth / capacity 占用、KV cache footprint、通信量与通信模式，产出 roofline 分析与瓶颈定位。
2.Benchmark 体系建设：构建并维护覆盖 LLM、具身智能、自动驾驶、搜推等领域的代表性 workload 集合，保证其可复现、可版本化、能反映真实业务场景而非仅是 micro-benchmark。
3.趋势跟踪与快速评估：跟踪新模型、新算法、新推理技术，在其出现后短时间内给出对系统资源需求的影响评估。
4.工具与流程自动化：开发自动化的 profiling、数据采集与分析 pipeline，降低重复劳动，让分析结论可持续复现。
5.结论输出：撰写清晰的分析报告，把复杂的实验数据收敛为少数几个可执行的结论，并与算法、系统、硬件团队协作验证。
岗位要求
1.计算机体系结构、计算机科学、电子工程、应用数学或相关专业硕士/博士，应届毕业。
2.理解现代计算系统的基本原理：memory hierarchy、并行与调度、interconnect、roofline model。
3.熟练使用 Python，熟悉 PyTorch，能读懂并修改主流模型的实现代码。
4.有使用 profiling 工具的经验（Nsight Systems/Compute、PyTorch Profiler、perf 等任一类均可）。
5.具备基本的数据分析与可视化能力，能从噪声数据中提取可靠结论。
6.能把分析过程讲清楚：数据怎么来的、结论怎么推的、哪里存在不确定性。
7.至少满足其中一项
a.对 LLM 训练或推理系统有实际动手经验（分布式训练、推理引擎、量化、并行策略等）。
b.在具身智能、自动驾驶或搜索推荐中任一领域有过模型开发或系统优化经历。
c.有性能建模、模拟器开发或体系结构研究背景。
加分项
1.CUDA / Triton 或其他 kernel 编程经验。
2.熟悉 vLLM、SGLang、TensorRT-LLM、Megatron-LM、DeepSpeed 等开源项目，有阅读源码或贡献记录。
3.有 MLPerf 或类似 benchmark 工作经验。
4.有系统或体系结构方向的论文发表（MLSys、ASPLOS、ISCA、OSDI、SOSP 等），或高质量的开源项目。
我们看重的特质
1.对数字的怀疑精神：看到一个反常的测量结果，第一反应是找原因，而不是直接接受它。
2.能收敛结论：面对一批彼此矛盾的实验数据，能判断哪几条真正重要、哪个是测量 artifact、哪些结论还不够支撑。
3.能在模糊问题中定义问题：很多任务开始时只有一个方向，没有明确指标。
4.跨层次思考：能同时理解算法在做什么、框架如何执行、硬件如何响应。
我们提供
1.接触多个前沿领域真实 workload 的机会，视野覆盖从算法到硬件的完整链路。
2.与算法、系统、硬件团队直接协作，分析结论有明确的下游影响。
3.明确的技术成长路径与导师带教。

This is an external listing. JobSpring does not represent or verify the employer. Report this listing

GPU 架构工程师- AI Workload 分析(J11005)

About The Role