超算平台研发工程师(J20393)

职位描述

● AI Coding 优先：团队默认用 Cursor 等工具做日常开发；每人每月 $1,000–$3,000 USD AI 工具额度（以公司当期政策为准），鼓励用 AI 辅助 Profiling 解读、实验记录与报告沉淀，把精力集中在瓶颈突破与方法论。

● L4 真实场景：海量多模态与时序数据下的训推效率直接决定迭代速度，优化成果可量化、可复用。

● 人才画像：看重 产品力（能把优化经验沉淀为平台默认策略与「可自助」的工具，而不是一次性脚本）与 自驱性（主动建指标、拉实验、推动跨团队落地）。

岗位概述

聚焦 L4 算法在 海量多模态与时序数据 下的 训推效率与规模化：提升 GPU 利用率、缩短实验迭代周期、优化推理 延迟 / 吞吐，以 Profiling 与可复现实验驱动优化，并沉淀为 平台默认策略与规范。

岗位职责

● 建立 性能指标体系（利用率、MFU、吞吐、延迟、数据加载占比、排队时长等），与监控及 Profiling 工具链打通，支撑版本对比与回归。

● 定位并优化瓶颈：多机通信（NCCL）、I/O 与数据管线、Checkpoint、CPU–GPU 流水、小 batch、调度碎片化；推动存储 / 网络 / 框架默认配置协同。

● 数据加载与 PyTorch DataLoader：结合 Profiling 优化 CPU 解码与 Dataset 实现；调参 num_workers / prefetch_factor / persistent_workers / pin_memory 与 non_blocking H2D 重叠；推动 海量小文件场景下的打包格式与顺序读（如 WebDataset、LMDB、Parquet/Arrow 等选型与落地），缓解 数据等待占比。

● 结合 仿真回灌、大规模离线评测、实车 / 台架约束，输出环境与并行策略最佳实践，并与平台研发固化到模板与诊断能力。

● 跟踪 CUDA、通信库、新硬件 在典型智驾 workload 上的收益与风险。

任职要求

任职要求

扎实的 性能分析与实验设计 能力（如 PyTorch Profiler、Nsight Systems/Compute、perf、分布式 Trace 等至少深入一类）。

● 熟悉 GPU 训练 / 推理 范式；理解 数据并行、张量并行、流水线并行 及典型通信模式。

● Python 熟练；能阅读 C++ / CUDA 或愿意深入；Linux 网络 / 存储 基础扎实。

● 产品力与自驱性：能定义「团队看得懂、用得上」的性能看板与 playbook，并主动推动采纳。

加分项

● BEV / 时序多相机、点云或端到端 等 workload 上的实际调优案例。

● 熟悉 DeepSpeed / Megatron、vLLM / Triton 等之一在业务中的落地与取舍。

● 有 DataLoader / 多模态读路径 / DALI、TorchData 等高效数据管线实践，能量化 数据加载占比 与优化前后吞吐。