特斯拉2026届-厂内物流规划工程师
任职要求
毕业时间在2025年1月-2026年10月之间，统招学士或硕士；
毕业于物流工程、工业工程等专业；
具备较强的沟通、协调能力，能拉动跨功能团队共同推进项目；
具备较强的团队意识，注重团队合作。
承压能力强，乐于接受挑战，对精益物流、智能制造有浓厚兴趣和独到见解；
该岗位需要面对复杂的工程挑战，需要具备坚持不懈的精神、创新的思维方式、快速适应的能力和积极的态度；
英语可作为工作语言，满足国际化协同工作要求；
熟练操作AutoCAD；
了解物流领域的自动化设备应用和行业发展趋势；
具备良好的数据分析能力，掌握如Ziplabs，PowerBI等数据处理软件；
Prefer：掌握仿真建模能力，如Flexsim、Plantsimulation软件，或掌握算法建模能力。
工作在特斯拉：
富有竞争力的基本薪酬：在特斯拉，所有岗位的薪酬都会从多重维度对标行业内外的公司，通过制定科学合理的薪酬方案以确保薪酬的竞争力。
全员持股：每位加入特斯拉的伙伴都会被股票激励政策所覆盖，成为特斯拉的股东；同时，员工还可以参与员工股票购买计划（ESPP），以优惠的折扣价购买特斯拉股票，与公司实现财富的共同成长。
补充住房公积金：特斯拉为每位员工缴纳高标准的住…工作职责
THE ROLE 作为一名精益物流规划工程师，你需要负责所有零部件从供应商到工厂生产线的物料流设计，基于价值流原则，保障每颗零件以更小搬运次数和更短转运距离送达线边，同时需要考虑流程的稳定、可靠和高效。在特斯拉鼓励创新和不断变革的驱动和实践中，与团队一起开发全世界精益、高效、智能的物流规划设计理念和方法，助力你成为物流规划技术专家。扁平化结构，多样化职业发展通道助你快速成长。 RESPONSIBILITIES职责描述： 定义零部件入厂物流模式，规划厂内接收道口、仓储布局、上线路径，开发简单耐用且能为特斯拉提供最大价值的物料搬运解决方案，目标包括： 可靠性 减少物料搬运浪费（减少落地） 最少的转运距离 提高劳动效率 优化空间利用率 高度精确的零件选择 通过算法、仿真等新技术规划最优方案，提高物流规划决策效率； 处理PFEP（Plan For Every Part）日常变更业务，通过数字化等方法快速高效地进行PFEP维护、MFS配置、CAD layout调整等相关变更工作； 利用VSM（Value Stream Map）工具识别物流各环节的浪费和改善机会，通过模式创新、布局调整、路线优化等方法不断降本增效； 测算物流人员效率，与现场物流进行工时校准，并不断改进工时测算方法和工具，提高测算精度和效率； 研究引入各类物流自动化替代人工，如AMR、AGV、机运线、立体库、机械臂、自动拆包设备等，提高物流整体运作效率； 遵守公司规章制度，严格按照作业指导书工作，积极查找安全隐患，及时汇报安全隐患和事故，提出安全合理化建议，通过不断改进，创造安全健康的工作环境。 REQUIREMENTS
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 工作职责： 1、参与/负责研发面向大语言模型(LLM)/多模态大模型(MLLM)等类型模型的推理服务框架； 2、参与/负责KV Router、PD分离/EPD分离、KVCache管理、动态PD调整等分布式推理能力建设； 3、通过并行计算优化、分布式架构优化、异构调度等多种框架技术，打造高效、易用、领先的AI推理框架； 4、参与/负责构建推理框架的系统容错能力，包括但不限于请求迁移、优雅退出、故障检测、自愈等能力建设； 5、深度参与周边深度学习系统多个子方向的工作，包括但不限于模型管理、推理部署、日志/监控、工作流编排等； 6、与全公司各业务算法部门深度合作，为重点项目进行算法与系统的联合优化，支撑业务目标达成。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地。 3、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。