腾讯AI计算库开发工程师(北京/深圳)
任职要求
1.熟悉 Linux 开发环境，扎实掌握 C++/Python，具备良好的代码能力和工程能力； 2.熟悉异构计算或高性能计算基础，理解并行编程、向量化、线程/任务调度、访存优化等基本原理； 3.熟悉 PyTorch、TensorFlow 等主流深度学习框架； 4.具备性能瓶颈定位与调优能力，具备p…
工作职责
1.基于自研 AI 芯片软件栈以及架构特点，研发和优化高性能算子，设计高效的数据流与计算流方案； 2.结合芯片计算单元和存储层次，构建可维护、可扩展的算子实现； 3.参与测试框架和性能分析体系的建设，提升算子研发效率、质量保障能力和生态易用性； 4.与编译器、runtime及业务团队协作，推动模型在自研芯片上的端到端性能优化与落地。
1.基于自研 AI 芯片软件栈以及架构特点，研发和优化高性能算子，设计高效的数据流与计算流方案； 2.结合芯片计算单元和存储层次，构建可维护、可扩展的算子实现； 3.参与测试框架和性能分析体系的建设，提升算子研发效率、质量保障能力和生态易用性； 4.与编译器、runtime及业务团队协作，推动模型在自研芯片上的端到端性能优化与落地。
1. GPU算子库和通信库开发和优化，如CUTLASS等计算库，NCCL通信库。 2. 熟练使用性能分析工具、模拟器和测试套件对软件性能进行分析、可视化与优化。 3. 积极与相关团队合作，交付高度优化的计算/通信库，提升模型推理的整体性能。
以真实AI负载为驱动，打通算法、系统、软件、芯片全栈壁垒，定义软硬协同的最优架构抽象层。 具体工作方向包括但不限于： 1.建立负载驱动的协同设计流程：从典型AI负载（大模型、多模态、推荐系统等）的计算与访存特征出发，推导指令集、内存层次与微架构需求。 2.设计可扩展的编译与运行时中间层，实现上层算法结构到底层硬件的高效映射，使架构原生适配负载演化趋势。 3.构建跨层级性能分析工具链，基于负载特征定位从算法到晶体管的瓶颈，并驱动软硬接口迭代优化。 4.探索面向未来负载（如长上下文、MoE、多模态）的架构协同设计方法论，输出下一代芯片的架构方案。
1. 深入研究 Transformer、MoE、Attention 等最前沿模型架构，设计并实现极致性能的计算算子； 2. 深入分析 AI 芯片硬件底层特性，软硬协同榨干芯片每一份性能潜力； 3. 深度参与主流推理与训练框架（如 Pytorch, vLLM, sglang）的优化，支撑 Qwen、DeepSeek 等千亿级参数模型的极速部署； 4. 追踪 AI 领域最新的加速技术方案，与架构团队共同定义下一代 AI 芯片，推进编程模型的演进。