【Dots】大模型算子优化工程师

面向大模型训练/推理场景，开发和优化高性能 GPU 算子（Attention、GEMM、LayerNorm、MoE、Element-wise 等），逼近硬件理论峰值 针对新模型结构（长 context、MoE、线性 Attention 等）设计定制化 kernel，解决原生框架无法覆盖的性能瓶颈 深度优化访存效率、计算-访存重叠、算子融合（fusion），降低 kernel launch 开销与显存占用 参与推理引擎核心链路优化：KV Cache 管理、量化算子（INT8/FP8/INT4）、投机采样、continuous batching 等 与训练框架、模型算法团队紧密协作，将算法需求转化为高效的系统实现 探索新硬件（新一代 GPU / 国产算力）上的算子适配与性能调优 【任职要求】 基础要求 扎实的 CUDA 编程能力，深入理解 GPU 体系结构（SM、warp、shared memory、tensor core、访存层级） 熟悉性能分析工具（Nsight Compute/Systems、nvprof），能定位并解决计算/访存瓶颈 熟悉至少一种主流训练或推理框架（Megatron-LM、vLLM、SGLang、TensorRT-LLM、FlashInfer 等） 理解 Transformer 结构及其在训练/推理中的计算特征 加分项： 有 FlashAttention / Fle Attention 等前沿算子的复现或改进经验 熟悉 Triton、CUTLASS，能高效开发模板化 kernel 有 FP8 / 低比特量化算子落地经验 有 MoE、长序列、投机解码等新场景的算子优化实战 熟悉 NCCL / 通信算子优化，理解计算-通信 overlap 有开源贡献（vLLM / SGLang / Triton / PyTorch 等）或顶会论文（MLSys、OSDI、ASPLOS 等） 我们看重的特质 对性能有极致追求，看到 GPU 利用率不满就浑身难受 系统性思维，能在算法、框架、硬件三层之间自由穿梭 主动性强，能从模型需求反推系统设计，而不是被动接需求