大模型后训练与GPU/加速器内核优化实习生

面向CUDA及多架构加速器（类CUDA）内核开发的垂直场景，基于现有基础模型开展后训练与评测落地，提升模型在内核生成/改写/性能优化上的实用能力，并在真实业务中落地 1. 构建/清洗面向内核的训练数据与指令模板（生成、优化、注释、性能提示等）； 2. 基于SFT、DPO/奖励建模、PPO/RLHF/RLAIF等开展后训练与对齐； 3. 搭建自动化评测闭环：编译-单测-正确性-性能基准与指标（可编译率、通过率、吞吐/延迟、寄存器/共享内存、occupancy等）； 4. 集成编译/分析/运行工具，将静态/动态性能信号引入训练反馈。 【任职要求】 1. 硕士/博士在读，大模型方向； 2. 至少一种LLM后训练实践（SFT或RLHF/RLAIF/奖励建模/DPO等），重视训练-评测落地能力，有coding方向经验加分； 3. 熟悉PyTorch与数据处理，能搭建训练/评测流水线；了解分布式/混合精度者优先； 4. 具备CUDA/GPU并行基础，能阅读/编写内核并定位性能瓶颈；熟悉nvcc/clang与profilers等工具； 5. 工程能力扎实（Python优先，C/C++加分），自驱与协作良好。 加分项 1. 有CUDA/HIP/SYCL或其他加速器内核优化经验；搭建过编译-运行-打分闭环； 2. 在算子优化/并行计算/系统性能工程方面有积累；有开源、论文或竞赛经历。