特斯拉2026届-涂装ME自动化工程师
任职要求
2026应届毕业生，毕业时间在2025年11月-2026年10月之间，硕士或博士优先考虑； 机械、制造、机器人或电气工程专业； 能够独立工作，有很强的团队合作精神，注重细节，有条理，动手能力强，能够做出强有力的决定； 可以在压力下工作，同时管理竞争的需求和紧迫的截止日期； 在困难的环境中保持积极主动的态度，承担任务并对他们的成功承担全部责任； 保持灵活性和适应性，以改变优先级和任务，应…
工作职责
THE ROLE 作为涂装ME制造工程师，需要负责推动新项目的可制造性设计。负责评审制定项目整体方案，并能够及时准确地反馈给相关团队完成推动。负责项目方案的启动、设计细化、现场执行以及最终交付的全周期工作。在项目工作之外，ME工程师也要负责相关体系标准文件的制订与修订工作，新工艺新设备新技术的探索及开发测试等工作。 RESPONSIBILITIES职责描述： 在设计阶段与设计工程师紧密合作，推动新项目产品自动化制造方案的可行性设计； 参与生产线设计和投产：投标包开发，供应商选择，规划设计，设计评审，设备制造，验收测试，施工，安装，调试，投产和移交给运营团队。 协助项目执行，确保项目按范围、按节点、按预算交付。促成设备投产，跟踪预算成本，把控项目进度。 和多专业工程师密切合作，针对新应用开发/更新FANUC和DURR等品牌机器人标准； 在项目设计阶段，负责机器人自动化站的设计，确保设计工艺的可行性，确保设计满足安全,节拍, 质量等要求，推动优化达到基本的工程极限, 并负责结合项目经验制定新的标准以及修订现有的机器人工作区相关标准文件； 整理和记录生产线工艺和设备的最终文件，确保新生产线的可持续性和未来的优化空间； 通过进行详细的可行性、项目时间安排、成本估算和投资回报率 （ROI） 研究，为不同生产方案的评估提供技术支持。 识别，调查未来可实施的创新技术和工作方法(例如虚拟制造，产品可行性模拟，吞吐量模拟等)。 确保生产线符合满足故障率，开动率和可靠性指标：OEE，节拍，质量要求。 收集并准备最终的文件交接包，以确保新生产线的长期可持续性和优化； 积极探索和尝试新技术、新工艺和新设备，推进创新工作，为生产线的持续改进提供支持； 与跨职能团队合作，提高生产期间的安全、质量和效率指标； 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。