腾讯AI infra系统研发专家工程师/负责人

1、负责智算高性能存储系统架构设计与开发，面向AI训练场景的大规模、高性能并行文件系统研发，满足训练场景TB级读写吞吐能力；面向推理场景的数据流动、任意（Anywhere）挂载，高吞吐大容量的存储能力满足； 2、软硬件定义，机型设计，构建存算协同机制，实现GPU Direct Storage、KV Cache/Share，不断提升存储系统性能和计算效率； 3、保障存储系统高可用与数据安全，通过分布式强一致性、同/异步复制提升数据可靠性，设计系统自愈能力应对磁盘/节点异常，增强系统可观测和易运维能力，并通过测试与故障注入得到验证。

1）训练与推理基础设施建设：负责公司大模型相关训练与推理基础设施的设计、开发与优化，支撑游戏内容生成、角色扮演、智能 NPC、AI 叙事、AI 玩法等业务场景下的模型研发与线上服务 2）分布式训练系统研发：参与大模型训练平台与训练框架建设，支持预训练、后训练、微调等任务的高效运行，持续优化分布式训练效率、资源利用率、稳定性和成本，覆盖数据并行、张量并行、流水并行、MoE 等能力 3）在线推理服务优化：负责 LLM / AIGC 在线推理服务平台的架构设计与性能优化，提升推理链路在吞吐、时延、扩展性和稳定性上的表现，支持动态批处理、KV Cache 管理、量化推理、多模型部署与流量调度 4）平台化能力建设：建设面向模型研发与生产部署的一体化平台能力，包括任务提交、资源调度、实验管理、模型发布、版本管理、可观测性、自动化评测、灰度发布和故障恢复等 5）底层系统优化：围绕 GPU 集群、网络、存储、容器与调度系统开展底层优化工作，定位训练或推理中的性能瓶颈，持续提升计算效率、通信效率、数据读写效率和整体系统可靠性 6）稳定性与可观测性建设：建设训练与推理全链路的监控、日志、Tracing、告警与诊断体系，提升复杂 AI 系统的可观测性与问题定位效率，保障核心服务高可用与高可靠运行 7）新技术研究与落地：持续跟踪训练与推理基础设施方向的前沿技术，包括分布式训练优化、推理加速、长上下文支持、MoE 系统、量化、Speculative Decoding、Serving 框架等，并结合业务需求进行验证与落地

团队介绍 我们致力于打造自动驾驶领域的下一代数据闭环系统。我们正在探索如何利用生成式AI重构物理世界，从海量路测数据中提取高保真、可交互的三维场景，构建大规模世界模型。我们寻找热衷于将前沿三维视觉技术转化为数据生产力的伙伴，共同攻克自动驾驶在复杂场景下的仿真与泛化难题。 负责3D高斯泼溅（3DGS）及前馈式生成模型的训练链路优化，提升训练速度、显存效率与模型稳定性； 设计与实现分布式训练框架，支持大规模三维场景数据的高并发训练与高效迭代； 深入硬件与计算栈，进行GPU算子优化、内存调度与混合精度训练策略的研发； 与三维视觉、自动驾驶仿真团队紧密协作，将优化后的训练系统应用于场景生成、神经渲染、高精地图构建等实际业务； 跟踪学术界与工业界在训练加速、模型压缩、系统架构等方面的最新进展，推动技术落地并形成工程实践。

在这里，你将成为大模型技术落地的"幕后推手"。你将参与构建支撑千卡/万卡规模的 AI 计算基础设施，通过软硬件协同优化，解决大模型在训练、推理、Agent 基础设施中的工程挑战。你的代码将直接决定大模型训练的效率、推理的响应速度以及集群资源的利用率，为 AI 时代的算力底座注入核心动力。 具体的职责包括以下相关方向的一项或多项： 1. 面向 AI Infra 的操作系统：参与核心模块的设计与开发，包括 AI 训练、推理与 Agent 任务的资源调度、内存/显存管理、文件系统等底层系统的研发与优化。 2. 极致训练、推理与 Agent 软硬件协同优化：通过操作系统、Agent Sandbox、CUDA Runtime、KVCache 全栈优化 AI 工作负载 // 面向AI服务器优化，软硬件协同优化。 3. 工程效能提升与智能化：设计和实施系统级测试方案，包括单元测试、集成测试、性能测试和压力测试,保障系统稳定性和可靠性。 4. 运维监控系统建设：负责AI算力平台的日常运维、故障排查和性能监控,构建自动化运维工具和可观测性体系。 5. AI 可信计算体系建设：参与 AI Infra 以及 AI Agent 系统安全机制设计，包括资源隔离、权限控制、漏洞修复等，保障多租户环境下的系统安全技术探索。 6. 前沿 AIOS 技术探索：跟踪 AI Infra 前沿技术，探索 AI 与操作系统融合的创新方向，推动 AIOS 技术演进和开源社区贡献。