岗位职责
- 面向token efficiency的架构探索与设计：针对视频 Diffusion及生成-理解统一架构，探索在同等精度下显著降低训练与推理开销的架构方案，包括但不限于稀疏注意力（block-sparse、时空局部窗口、可学习稀疏模式）、Latent Moe、Attention Residual、Muon优化器变种等的探索；面对超长序列问题，从算法与系统两侧联合给出可扩展的注意力与架构方案，并以严谨的消融实验量化每项改动的精度-效率收益；
- 训练与推理吞吐优化：以 MFU、单位算力产出为核心指标，推动Co-design 优化：设计并落地低精度训练方案（BF16/FP8 混合精度、细粒度量化 scaling、数值稳定性监控），建立配套的精度回归评估体系，给出精度、吞吐、显存之间可量化的 trade-off 结论；
- Scaling 效率研究：研究优化器变种（如 Muon等二阶方法）与超参迁移方法在 Diffusion 训练中的适用性；结合数据配比与数据利用效率实验，设计小规模代理实验并外推，为"同样算力如何训出更强模型"提供可复用的 scaling 结论，支撑下一代模型的 compute-optimal 决策；
- 高性能训练系统实现：把架构与算法设计落进生产训练系统：编写或调优关键算子（CUDA/CUTLASS），设计与序列形态、稀疏模式匹配的并行方案（FSDP/TP/CP/EP 及其组合），实现通信-计算 overlap 与显存峰值控制；用 Nsight Systems/Compute、torch profiler 等工具对训练全链路做性能分析，持续定位并消除瓶颈，保障大规模训练的稳定与高效。
职位要求
- 计算机科学、人工智能、数学或相关专业硕士及以上学历；
- 扎实的深度学习基础，理解 Diffusion / Flow Matching 的建模与训练原理，熟悉 DiT 类架构的计算特征；对生成式模型的效率瓶颈（注意力复杂度、超长序列、显存压力）有第一手认知；
- 较强的算法工程化能力：熟练使用 CUDA/C++ 或 Triton/CUTLASS，理解 GPU 执行模型与存储层级，有 attention/GEMM 级别的算子编写或调优经验，能用 roofline 等方法判断算子的性能上限与优化空间；
- 熟悉 PyTorch 及至少一种大规模训练框架（Megatron-LM/FSDP/DeepSpeed 等），理解 DP/TP/PP/CP/EP 各类并行策略的通信语义与适用边界，有数百卡及以上规模的训练实践，能独立完成从算法设计到 Infra 落地的全链路开发；
- 在模型量化、稀疏化、算子融合等方向至少一个领域有深入积累，能在精度、吞吐、显存、研发成本等多重约束下给出可量化的 trade-off 分析与决策；
- 良好的科研能力与技术品味：能快速复现并批判性评估前沿论文，判断其在业务规模下的适用边界，并结合实际约束改进落地。 加分项：
- 在 CVPR/ICCV/ECCV、NeurIPS/ICML/ICLR，或 MLSys/OSDI/ASPLOS 等系统方向顶会发表过相关论文；
- 有大规模生成模型（视频/图像/多模态）训练提效或推理加速的完整落地案例，能清晰量化优化前后的收益；
- 深刻理解 GPU 体系结构（SM 与 Tensor Core、寄存器/共享内存/HBM 存储层级、NVLink 互联与集合通信），了解并实践过 Hopper/Blackwell 代际的新硬件特性（如 TMA、FP8/FP4 Tensor Core）；
- 参与过主流开源项目（PyTorch、Megatron-LM、FlashAttention、vLLM/SGLang、xDiT 等）的开发，或有高质量的个人开源作品；
- 有超长序列训练（context/sequence parallel、ring attention）、MoE 训练系统（专家并行、负载均衡、通信优化）或视频生成模型加速的实战经验。
