岗位职责
- 训推框架全栈优化：负责大模型分布式训练与推理框架研发，推进 MoE 架构与框架协同设计（Co-design），实现千亿级模型的高效训推；深入国产卡适配与算子优化，持续提升吞吐、效率及资源利用率。
- 核心系统性能攻关：研发 KVPool 内存池与高性能网络传输机制，优化 NUMA 亲和性、RDMA 零拷贝及计算通信重叠（Overlap），解决跨节点 KV Cache 传输与内存管理瓶颈。
- 智能剖析工具建设：主导 XPU-Profiler 模块开发与产品化，完善采集分析能力；探索 AI 辅助研发（RSI 实验）新范式，沉淀可复用的性能分析方法与工具。
- 系统集成与稳定性：推动与 vLLM、SGLang 等主流引擎的深度集成，建设全链路可观测性与性能测试体系，保障高负载场景下的系统稳定运行。
职位要求
- 计算机、软件工程或相关专业的非应届在读生，每周可实习 ≥3 天，连续 ≥3 个月。
- 具备扎实的数据结构、操作系统、计算机网络基础；熟悉 C++ 或 Python，具备 Linux 环境下的开发、调试能力，有良好的编码习惯。
- 了解模型训练、推理基本流程及 PyTorch 等框架，对 CPU、GPU 执行机制或分布式系统有兴趣；或对 KV Cache、Attention、Prefill/Decode 等概念有一定认识，对 AI 系统性能优化有兴趣。
- 具备良好的问题分析和动手能力、团队协作能力，具有强烈的好奇心和自驱力； 加分项：
- 以下方向有实践经验者（任一）：RDMA / 高性能网络通信、CUDA / GPU 性能优化、国产卡推理和后训练、内存管理 / 分布式缓存、vLLM / SGLang / Mooncake / nixl / LMCache 等开源项目。
- 有 CUDA/Triton、GPU Kernel 优化、Profiler/CUPTI/eBPF、分布式训练与推理、NCCL 通信分析，或 AI Agent、自动化实验与评测工具开发经验者优先，欢迎提供课程、科研或开源项目的代码和实验材料。
- 有系统性能优化或开源贡献经历者优先。
