1、研發分布式訓練加速方案
，優化ZeRO/FSDP/Pipeline並行策略

，提升千億參數模型訓練吞吐量；

2
、設計混合精度訓練與顯存優化方案
，開發自適應梯度壓縮、通信優化模塊
，實現單卡訓練模型規模提升和降低分布式訓練通信開銷

開發量化壓縮工具鏈（支持GPTQ/AWQ等算法），實現模型8/4-bit無損量化部署；

3
、設計多GPU推理調度策略，優化顯存碎片管理與計算資源利用率；

4、跟進vLLM/TensorRT-LLM/SGLang等前沿框架，探索MoE架構/稀疏化訓練等新型範式，將最新學術成果快速落地到工程實踐。

職位要求：

1、計算機科學/人工智能方向碩士及以上，3年LLM係統優化經驗；

2
、精通PyTorch/TensorFlow框架底層機製，具備CUDA/C 內核開發能力；

3、掌握Megatron-LM/DeepSpeed/HuggingFace生態核心原理；

4、有千億參數模型訓練優化或百萬QPS推理服務落地經驗；

5、熟悉NVIDIA GPU架構與性能分析工具；

6、熟悉大模型推理服務架構設計與微服務化部署。