【北斗】广告大模型训练推理工程师

岗位职责

【愿景】 我们致力于构建健康的本地商业生态，通过为平台客户和消费者提供符合其需求的多元、便捷、高效的商业产品和服务，帮助生态伙伴提高效率、优化经营、实现持续健康发展，推动本地商业数字化营销的发展，促进商业生态繁荣。

【你将参与】 1.生成式广告训练系统设计：基于前沿大模型（如Transformer、HSTU等），设计生成式推荐模型的分布式训练框架，优化数据/模型的高效并行处理和混合精度训练策略。 2.高性能推理引擎建设：既有大稀疏（Embedding），又有大稠密（LLM）的模型结构下，优化延迟、吞吐量和显存占用，支持千亿/万亿参数模型的实时推理需求。 3.低进度优化：基于结构化和非结构化模型进行低进度训推协同优化，从源头解决模型性能与精度的平衡难题。 4.广告链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，需要一体化硬件支撑的召回/排序/机制统一服务。

任职要求

【任职资格】 2027届本科及以上学历，计算机、人工智能等相关专业，且以下条件至少满足一项： 1.有大厂实验室的实习经验，或有贡献突出的开源项目，熟悉PyTorch、Megatron、vLLM/SGLang等机器学习框架，有大规模分布式系统开发经验。 2.在ACM-ICPC（国际大学生程序设计竞赛）、Kaggle、数学建模竞赛（如MCM/ICM）、奥赛（数学、物理、信息学等）等取得显著成绩。 3.在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。重点关注ICLR，NeurIPS,ACL, EMNLP, ICML, TPAMI, TASLP, TKDD上有一作论文的候选人。 4.社区（github、知乎、CSDN等）活跃者、有开源项目并被较多引用者优先。 【为什么是我们】 1.算力资源充足，问题规模真实：接触真实 GPU 集群、训练任务调度、推理集群和资源治理，在工业级场景下优化 GPU 利用率、任务吞吐、训练稳定性和单位算力成本，技术栈横跨 AI、系统、平台和工程架构，成长面很宽。 2.技术挑战硬核，工程深度足：大稀疏+大稠密模型课题，既有传统TB级别的稀疏Embedding，又有LLM规模的Dense。既要搞定稀疏多级异构存储，又要搞定大模型场景下的混合精度、并行策略、通信等难题，以及推理系统上的吞吐、延迟、模型量化等工作。 3.带教资源好，能快速补齐 AI + Infra 复合能力：紧密合作的算法专家团队，补充AI模型领域知；资深 AI Infra专家 1V1指导，全程重度参与系统设计和实现。