研究型实习生-面向全场景智能的大模型效能优化与智能体演进研究

Responsibilities

1、面向自动驾驶/具身智能的端到端自动驾驶大模型训练优化：参与大规模分布式训练系统的性能分析与优化，包括数据并行、模型并行、流水线并行等策略的调优；参与自动驾驶核心模型（BEV、Transformer、Diffusion 等）中关键算子的性能 Profiling 与优化；基于 Transformer 架构的自动驾驶端到端模型（如 VLA，UniAD, VAD 等）的大规模预训练与微调，优化长序列感知与预测的对齐； 2、面向MoE大模型的训练推理优化：针对千亿级超大规模参数模型，深度参与类QWen/DeepSeek等MoE大模型的性能调优，研究 并行策略（张量、流水线、数据并行）下的通信重叠与显存优化；基于开源大模型推理引擎结合各类大模型和GPU/NPU等硬件，应用PD分离/DeepEP架构，探索高性能算子实现，结合编译优化，量化等手段提升模型推理性能； 3、图像视频与世界模型生成： 参与图像/视频生成模型（Diffusion Transformer、UNet、VAE、文本编码器等）的推理性能分析与端到端优化，提升生成速度与吞吐量；针对多步采样推理流程（DDPM / DDIM / Flow Matching 等）进行调度优化，探索步数压缩、缓存复用、投机采样等加速策略；协助构建推理性能基准测试体系，持续追踪优化效果；参与生成模型推理服务的工程化落地，包括多卡并行推理、动态 Batching、流式输出等方案的设计与实现； 4、大模型与推荐系统的融合创新，聚焦生成式算法或者推荐场景推理优化的研发：研究面向基于LLM的生成式召回技术，通过用户意图生成、Item ID/Title生成等方式，解决传统方法在语义鸿沟与长尾挖掘上的痛点，探索利用大模型直接生成召回和排序；针对生成式模型推理延迟高、资源消耗大的问题，研究算子优化能力、低精度计算、流式推理、投机采样等技术并应用模型推理技术

Requirements

1、计算机科学、人工智能、电子工程等相关专业在读博士； 2、有 AI 算法/系统、高性能计算方向的顶会/顶刊论文发表； 3、扎实的 C/C++ 和 Python 编程能力，具备良好的代码工程素养； 4、熟悉 PyTorch，有实际模型训练或推理的项目经验； 5、每周至少实习 4 天，持续 3 个月以上。 加分项（满足任一即可） 1、有自动驾驶/图像/视频生成/推荐等领域相关项目经验者优先； 2、熟悉训练推理优化工具链（DeepSpeed / Megatron / TensorRT / ONNX Runtime / torch.compile），有实际加速经验； 3、有模型量化实践经验（GPTQ / AWQ / SmoothQuant / FP8 等），了解量化对生成质量的影响评估； 4、有推理引擎开发或大规模在线推理服务经验； 5、有 CUDA / Triton 算子开发经验，理解 GPU 架构（SM、Warp、共享内存、指令流水线等）。

Who this role is for

在读硕士或博士

Company overview