筑巢引凤|深圳市大数据研究院优化与工程计算研究中心诚聘优才

研究员/副研究员

1.大模型系统架构创新

a.研究高效分布式训练框架（如Megatron-LM、DeepSpeed优化），提升千亿级模型的训练速度和稳定性。

b.设计低延迟、高吞吐的推理系统（动态批处理、KV Cache优化、量化部署等）。

2.硬件协同优化

a.探索GPU/RDMA等硬件资源的高效利用，解决显存瓶颈、通信开销等问题。

b.针对国产芯片（如昇腾、寒武纪）适配大模型训练推理流水线。

3.前沿技术探索

a.研究MoE架构、模型并行、流水线并行等扩展性方案。

b.推动绿色AI技术（如稀疏化训练、低精度计算）的实际落地。

4.产学研结合

a.发表顶会论文（PPoPP/OSDI/EuroSys/NeurIPS/MLSys等），参与开源社区建设。

b.与各大企业合作，推动技术成果转化。

1.精通PyTorch框架，熟悉大模型训练推理全流程（数据预处理→训练→部署）。

2.深入理解分布式系统（CUDA/MPI/NCCL/RDMA）、编译器优化（TVM/XLA）或高性能计算（HPC）。

3.在PPoPP/OSDI/EuroSys/NeurIPS/MLSys等顶会发表过相关论文。

4.加分项：有Megatron-LM、ColossalAI、vLLM等开源项目贡献；熟悉LLM压缩技术（量化/蒸馏/剪枝）或芯片级优化（如Triton算子）；有云厂商（AWS/Azure/Alibaba）大规模AI系统部署经验；主导过开源项目或专利技术。

1.大模型训练与推理系统优化：研究分布式训练框架（如Megatron-LM、DeepSpeed、ColossalAI等），优化计算/通信效率；探索低资源推理技术（模型压缩、量化、动态加载等）。

2.大模型与软硬件协同设计：针对GPU/TPU/RDAC等硬件特性优化模型架构与调度策略；设计高性能算子库或编译优化（如CUDA、Triton等）。

3.大模型部署与工程化：研究轻量化部署方案（服务化框架、边缘设备适配等）；开发高效微调工具链（LoRA、Adapter等模块化支持）。

4.相关前沿问题：长上下文处理、MoE系统、多模态大模型系统设计、RL训推一体优化等。

1.熟悉PyTorch/TensorFlow框架，有分布式训练或大模型调试经验。

2.掌握CUDA/OpenCL等并行计算开发，或熟悉LLVM/TVM等编译器技术。

3.了解大模型技术栈（如Transformer架构、RLHF流程、推理加速技术）。

4.有系统开发经验（参与过开源项目、熟悉C++/Rust等高性能语言）。

5.加分项：在MLSys、ASPLOS、OSDI等系统顶会或AI顶会（NeurIPS/ICML等）发表论文；在开源社区（如Megatron、vLLM、Verl等）贡献过代码；知名竞赛获奖，如ICPC等。