L4载人产品经理 苏州 社招 全职 智能制造 / 工业互联网 / 工业自动化 职位描述 1、产品规划和战略制定：负责L4级自动驾驶载人产品行业调研，基于公司战略和市场需求，制定Robobus和Robotaxi产品中长期发展规划。2、产品功能设计与需求管理：围绕L4级智驾载人产品进行功能设计，深入分析各类应用场景特点（城市接驳、园区运营、公共出行等），撰写高质量PRD，建立并维护标准化需求导入流程。3、产品落地和项目管理：推动产品功能从设计到落地的全过程管理，与研发、测试、运营团队紧密协作，针对不同场景制定专属测试和验收标准，协调跨部门资源，确保产品按时/高质量交付。4、场景分析与技术协同：深入分析Ronobus和Robotaxi在不同场景下的特性需求，与自动驾驶算法、硬件、工程研发等技术团队紧密协作，推动技术方案在产品中的落地应用5、数据驱动和产品优化：建立产品数据监测体系，制定产品关键性能指标（KPI），如MPI（每英里介入次数）/MPC等，持续跟踪产品功能上线后效果，根据结果不断迭代产品。 职位要求 1、本科及以上学历，3年及以上自动驾驶相关产品经理工作经验，其中至少1年L4级别自动驾驶产品相关经验，计算机科学、软件工程、车辆工程、电子信息、自动化等相关专业优先。2、具备良好的产品设计能力、技术理解能力、场景分析能力和AI工具应用能力。3、熟悉L4自动驾驶技术架构和原理，包括感知、决策、控制等关键技术，了解自动驾驶相关法规政策和行业标准，熟悉Robotaxi业务流程（如订单调度、车辆控制、远程接管、安全监控等），了解汽车行业质量体系（如APQP、FMEA）及自动驾驶相关法规政策。4、具备良好的沟通协调能力、项目管理能力、市场洞察力和学习能力。加分项有完整的L4自动驾驶产品从0到1落地经验者优先有Robotaxi、Robobus或自动驾驶车队运营项目经验者优先英语可作为工作语言者优先善于应用AI工具提升工作效率，熟悉大语言模型、代码生成、数据分析等AI应用者优先 投递...
具身智能大模型训练系统开发与优化实习生 上海 实习 职位描述 将会参与如下四个典型训练系统优化方向工作(包括但不限于下面四个方向)参与方向一：支撑大规模预训练/微调的高效稳定运行关键任务：1. 参与千卡级别分布式训练集群的框架优化，确保训练任务在大规模集群上的稳定性（任务失败率 xxx%）和可恢复性（断点续训时间 xxx分钟）2. 优化训练任务的吞吐量（Throughput），相比基线提升至少 20%3. 参与至少一种并行策略（数据并行、模型并行、流水线并行、MoE并行）的框架级实现或深度优化方向二：降低大模型训练显存占用，支持更大规模模型关键任务：1. 集成或优化至少一种显存节省技术（ZeRO-1/2/3、重计算（Activation Checkpointing）、混合精度训练），使相同GPU下的可训练参数量提升 30% 以上2. 参与FlashAttention、Flash-FFN等高性能算子在分布式训练框架中的集成与适配3. 验证并对比不同并行策略组合（如 FSDP + 张量并行）的显存效率与计算效率方向三：优化跨节点通信效率，降低通信开销关键任务：1. 使用 NCCL 或 CANN ACL profiling工具分析通信瓶颈（AllReduce、AllGather等），并提出至少 2 项有效优化方案2. 参与实现通信与计算的重叠（overlap）优化，使通信隐藏比例提升至 50% 以上3. 探索并验证低比特通信（如 FP8 梯度通信）在训练中的可行性与效果方向四：完善训练框架的可用性与可观测性关键任务：1. 开发或优化训练监控 Dashboard，覆盖多类关键指标（GPU利用率、内存占用、通信耗时、吞吐量、损失曲线）2.
Robotaxi城市运营经理 广州 全职 Robotaxi业务板块 职位描述 一、岗位简介本岗位为自动驾驶Robotaxi业务城市一线落地核心岗位，深度负责无人车在公开道路的常态化落地运营，覆盖「内测测试、区域拓区、无人路测、商业化运营」全阶段线下工作。聚焦城市道路场景治理、车队现场保障、安全员/运维团队现场管理、用户线下履约保障、政企现场对接、线下问题闭环迭代，联动策略、产品、算法、安全团队，打通自动驾驶业务从线上策略到线下落地的最后一公里，保障城市无人车运营稳定、合规、规模化落地。二、核心工作职责1. 城市现场常态化运营保障•负责无人车常态化运营驻场保障，覆盖日常载客、测试跑量、里程积累、场景专项测试等线下工作，保障7*12h稳定运营•全程跟进内测取证、拓区扩容、无人化切换、商业化上线等重点项目的现场落地，把控线下运营节奏与落地质量•实时监控线下车辆履约状态，快速处理行车异常、订单中断、驻车异常、道路通行受阻等现场突发问题2. 城市场景治理与迭代优化•深耕城市道路场景，排查整理隧道、窄路、人车混行、无信号路口、施工路段、ODD边界等复杂场景台账•收集线下高频接管、急刹、绕行、降效、无法通行等场景痛点，输出场景优化清单，同步算法、产品、策略团队迭代优化•针对城市难点场景开展专项落地测试，验证优化效果，形成场景闭环治理机制3. 线下车队与人员现场管理•负责主驾安全员、现场运维人员的日常排班、现场考勤、作业规范督导，落地标准化SOP作业流程•管控车队线下运营状态，统筹车辆出车、收车、充电、点检、维保全流程现场落地，提升车队在线率、完单率、运营时长•开展一线人员岗前培训、实操督导、问题复盘，规范现场作业行为，降低人为操作风险与安全接管率4. 安全合规与取证落地保障•落地线下安全运营管控，跟进行车风险、MRM兜底、远程接管、紧急避险等事件的现场处置与复盘•配合政策取证工作，保障日常合规跑量、里程积累、MPI指标压降，完善线下合规台账、运营记录、测试存证材料•对接监管现场检查要求，落实线下合规运营标准，保障无人车测试、载客运营全流程合规可控5. 政企对接与城市资源落地•负责属地交通、城管、园区、商圈、场站的线下对接工作，推进站点落地、停车泊位、通行权限、场站资源落地•跟进城市拓区申报、测试权限开通、运营区域扩容等线下事务，支撑业务规模化拓区落地•维护属地合作关系，同步城市政策动态、监管要求，保障业务持续稳定落地6. 线下数据复盘与问题闭环•城市运营复盘，统计线下运营效率、场景问题、安全事件、人员作业问题，定位落地卡点•建立线下问题闭环机制，跟进车辆故障、场景短板、履约异常、服务问题的整改落地与效果验证•沉淀城市运营SOP、场景治理规范、现场应急处置方案，持续优化线下运营体系 职位要求 1. 能力要求•现场落地能力：执行力强，能适应驻场工作，擅长一线问题排查、突发情况处置，落地推进能力扎实•场景洞察能力：观察力敏锐，能快速识别城市道路、车辆运营、人员作业中的各类问题，精准输出优化建议•沟通协调能力：擅长政企对接、跨团队协同，能联动多部门推进问题闭环与项目落地•抗压适配能力：适应自动驾驶业务快速迭代节奏，可承接阶段性拓区、取证、商业化冲刺工作•责任心与细致度：严谨细致，重视安全合规与落地细节，能保障线下运营稳定性与规范性2. 加分项•有Robotaxi、无人车出行行业线下落地、场景治理、取证保障经验•有政府、园区、商圈政企对接及资源落地经验•熟悉城市交通路况、道路场景治理、车辆场站运营管理模式•参与过自动驾驶内测、拓区、无人化切换、商业化落地项目 投递...
Robotaxi远程驾舱管理 广州 全职 Robotaxi业务板块 职位描述 一、岗位简介本岗位聚焦全无人Robotaxi远程运营场景，核心负责远程云驾舱团队管理、远程操控作业标准化、无人车高危场景兜底处置、云代驾脱困全链路治理、远程运营数据复盘与策略迭代。联动算法、安全、现场运营、车辆运维、调度中心，搭建无人车远程安全兜底运营体系，持续压降远程干预率、接管率、安全事件率，保障无人车队公开道路常态化、商业化稳定运行。二、核心工作职责1. 远程驾舱团队值守与作业管理•负责远程云驾舱坐席团队日常排班、值守管控、在岗督导，规范远程坐席标准化作业流程，保障无人车远程兜底值守常态化运转•管控远程坐席作业质量，监督远程监控、风险预警、主动巡查、指令下发、脱困操作全流程规范性，杜绝违规操作、漏处置、晚处置问题•开展远程坐席岗前培训、实操考核、在岗复盘，统一远程处置标准，提升团队整体兜底处置能力2. 无人车远程兜底与云代驾场景治理（核心职责）•负责全无人车辆路上异常场景远程处置，涵盖道路拥堵、障碍物占道、复杂路口、施工路段、人车混行、ODD边界等高频脱困场景的远程代管、遥控控制、自主脱困指令下发•承接MRM最小风险停车、系统降级、行车故障、高危风险预警等紧急场景的远程兜底处置，建立快速响应、现场联动、闭环复盘的应急机制•梳理远程干预高频场景台账，归类接管诱因、失效场景、处置短板，输出专项场景治理方案，联动算法优化迭代，持续降低无人车远程干预率3. 远程驾舱体系与SOP标准化搭建•搭建完善的远程驾舱运营SOP，明确日常值守、风险分级、处置流程、脱困规范、应急兜底、复盘标准全流程体系4. 安全合规与取证保障（自动驾驶特色）•负责远程运营全流程安全存证、事件归档、台账沉淀，适配无人车牌照取证、监管核查、安全审计要求•跟进无人化安全指标达标，配合压降MPI、万公里接管次数等核心政策指标，保障阶段性取证与验收工作落地•落实监管对远程云控、无人兜底、远程代管的合规要求，优化远程运营合规流程，实现常态化合规运营5. 跨部门协同与项目落地•联动指挥调度中心、安全平台、研发团队、现场运营、运维团队，同步无人车运行状态、场景问题、远程处置难点，推动问题闭环•承接无人化版本迭代、新区域拓区、新功能上线、车队规模化扩容等重点项目的远程保障工作•收集远程坐席一线诉求、工具痛点，输出产品优化需求，推动远程驾舱工作台、监控系统功能迭代升级 职位要求 1. 能力要求•无人场景认知能力：熟悉自动驾驶无人车运行逻辑、ODD场景、MRM兜底、远程代管核心机制，了解无人车安全运营指标；•风险处置能力：具备极强的风险识别、应急处置、快速决策能力，能高效处理行车高危突发场景；•精细化运营能力：擅长台账梳理、场景归因、数据复盘、体系搭建，能够沉淀标准化运营SOP；•团队管理能力：具备坐席团队值守管理、作业督导、培训复盘能力，能有效提升团队作业质量；•跨部门推进能力：沟通协同能力强，可联动多团队推进场景优化、问题闭环、项目落地。2. 加分项•有Robotaxi无人车远程云舱、云代驾、远程兜底运营实操及管理经验；•参与过无人车取证、无人化切换、区域拓区、商业化上线全流程项目；•熟悉自动驾驶安全指标、监管合规要求、远程运营体系搭建逻辑；•具备调度、安全、现场运营复合经验，懂线上系统+线下场景双链路运营。 投递...
大模型训练与推理Infra工程师-MiMo 北京 社招 全职 职位 ID：A14015 职位描述 1. 模型训练基础设施开发 - 设计和实现支持大规模分布式训练的计算平台，优化模型训练效率和资源利用率。 - 维护和扩展现有的分布式训练框架，确保平台的高性能和稳定性（如基于 PyTorch、TensorFlow 或 JAX）。 - 集成和优化高性能计算技术（如 CUDA、MPI、NCCL 等）。2. 模型推理基础设施开发 - 构建高效的推理框架，支持大模型的在线和离线推理需求。 - 优化推理速度、内存占用和能耗，支持多种硬件架构（GPU、NPU等 ）。 - 实现PD分离、Context Caching、模型量化、推敲编码等推理优化技术。3. 性能监控与优化 - 开发工具链和监控系统，跟踪训练与推理过程的性能瓶颈。 - 分析并优化数据加载、通信效率和硬件利用率等关键环节。4. 跨团队协作 - 与模型研究团队密切合作，理解模型需求，定制训练和推理策略。
具身智能算法工程师（训练效率方向）-觅蜂子公司 上海 校招 正式 技术族 - 算法类 职位 ID：A11632 职位描述 觅蜂科技（Maniformer）是全球领先的一站式物理AI数据服务平台，致力于打造具身智能数据的 “平台型供给” 基础设施，实现数据的体系化、标准化、规模化供给。1. 负责具身智能训练效率的度量、分析与系统性优化，覆盖预训练与后训练全链路。2. 深入理解不同模型架构（Transformer / Diffusion / Flow Matching 等）与训练算法（IL/RL/BC 等）的计算特性，针对性设计优化方案。3. 构建训练效率监控体系，包括 GPU 利用率、训练吞吐、通信效率、数据加载延迟等核心指标的可视化与自动化追踪。4. 模型训练效率优化：算子融合、CUDA graph、kernel 调优等，提升单卡和多卡计算效率。5. 并行与通信效率优化：梯度同步、云边通信、权重分发等通信开销分析与优化，支撑百台规模训练不退化。6. 数据加载效率优化：数据预处理 pipeline、IO 吞吐优化，消除数据侧瓶颈。 职位要求 1. 计算机、AI 等相关专业硕士及以上学历。2.
仿真评测工程师 北京 全职 互联网 / 电子 / 网游 职位描述 1. 基于实车路测数据构建仿真场景，建设场景干预、场景泛化、长尾场景生成与评估能力；2. 面向感知、预测、规划、控制等模块，开发并持续优化以安全、舒适、效率、导航为核心的评估体系，快速识别算法变更引入的回退与异常；3. 运用仿真可靠性评估方法与工具，量化输出版本差异和不一致问题的分析结论，将复杂分析结果转化为算法、仿真、产品易于理解的指标与结论； 职位要求 1. 计算机、自动化、车辆工程、统计学等相关专业硕士及以上学历，具备自动驾驶仿真测试或相关领域经验；2. 熟练掌握 C++ 和 Python，熟悉数据处理与脚本开发（Pandas/Numpy 等），熟悉 shell、git，能在 Linux 环境下独立处理批量任务与日志；3. 深入理解 LogSim、WorldSim 仿真范式，具备实际工程落地能力；4. 理解自动驾驶评测指标体系（ADE/FDE、场景通过率、MPI 等），有评测方案从 0 到 1 落地经验；5. 了解自动驾驶端到端 / VLA 模型的基本原理，具备算法和传感器相关背景知识；6.
机器学习平台研发工程师 北京 全职 互联网 / 电子 / 网游 - 研发 职位描述 -负责机器学习平台与算力基础设施的研发与演进，为模型训练、推理、评测及数据处理等流程提供稳定、高效、可扩展的平台能力，主要包括：- 参与并主导大规模算力平台的设计与研发，覆盖资源调度、任务编排、容器与运行时管理等关键方向，持续提升集群整体资源利用率，保障训练与推理场景的稳定运行；- 基于 Kubernetes、Docker 等云原生技术，参与调度器扩展及 CRD/Controller 等核心能力建设，支撑大规模分布式训练与推理场景。- 持续推进平台的易用性与性能优化，完善工具链与开发体验，降低算法与模型团队的使用门槛，提升整体研发效率。 职位要求 - 本科及以上学历，3 年及以上研发经验，有大规模容器集群或平台型系统建设经验，有千卡及以上规模集群管理或调度经验者优先；- 熟练掌握 Golang，具备扎实的数据结构与算法基础，能够独立定位和解决复杂系统问题；- 熟悉 Kubernetes 核心机制与组件（如调度、网络、存储、Controller/CRD 等），了解容器运行时及云原生相关技术体系；- 熟悉常见分布式数据处理或计算框架（如 Ray / Spark / Flink 等），理解其架构设计与运行模型；-
AI 院-MOE 训练/推理Infra工程师 北京 全职 互联网 / 电子 / 网游 职位描述 我们正在寻找一位经验丰富的 MOE 训练/推理 Infra 开发工程师，负责设计、实现并优化我们的 MOE（Mixture of Experts）训练和推理框架。该职位需要您具备扎实的分布式系统、高性能计算、深度学习框架以及硬件加速优化的相关知识，能够解决 MOE 训练和推理过程中的各种技术难题，并与算法团队紧密合作，确保算法的顺利实现。主要职责：1、设计并实现高效的 MOE 训练/推理框架：•设计并开发支持大规模分布式训练和推理的 MOE 框架，确保其在各种硬件配置下的高效运行；•优化训练和推理性能，通过算法优化、并行计算、缓存策略等方式，缩短训练和推理时间，提高效率；2、解决 MOE 训练/推理过程中的技术难题：•针对专家网络的选择问题，研究和实现有效的专家选择算法，确保模型在训练和推理过程中的稳定性和准确性；• 解决负载均衡问题，通过动态调整专家网络的负载分配，提高系统资源的利用率，避免过载或空闲状态；• 优化通信过程，减少分布式训练和推理中的通信开销，提高数据传输效率，缩短训练和推理时间3、与算法团队密切合作：•与算法团队保持密切沟通，了解算法需求，根据需求调整和优化训练和推理基础设施，确保算法的顺利实现；•跟踪业界最新技术动态，引入适合项目需求的新技术、新方法，提升团队整体技术水平； 职位要求 关键技能：分布式训练技术：•掌握分布式训练框架（如 Horovod、PyTorch Distributed）的使用和优化。•具备设计和实现高效分布式训练系统的能力。硬件加速优化：•熟悉 GPU、TPU 等硬件架构，能够进行硬件级性能调优。•了解 CUDA、cuDNN
训练平台性能优化工程师实习生-2027届 北京 校招 实习 软件研发类 职位描述 深度优化训练流程 主导模型训练全链路性能分析与优化，设计GPU资源弹性调度策略 开发自动化训练加速工具链，构建可扩展的云端训练框架 研发混合精度训练、梯度压缩等前沿技术，突破训练吞吐瓶颈构建训练优化体系 制定标准化训练效能评估体系，建立成本-效率量化模型 设计可复用的训练加速组件库，沉淀最佳实践方法论 开发训练过程性能分析平台，实现性能问题智能诊断赋能业务研发 优化多任务资源调度策略，提升GPU集群整体利用率 为算法团队提供训练加速解决方案，缩短模型迭代周期 职位要求 1.精通深度学习训练加速技术，熟悉分布式训练框架设计2.掌握CUDA编程及GPU性能分析工具（nsys/torch profiler）3.熟练使用PyTorch框架，具备训练流程优化实战经验4.熟悉常见模型压缩技术（量化/剪枝/蒸馏）及落地应用5.具备大规模集群资源调度系统开发经验者优先【技术加分项】1.有mmcv//deepspeed/megatron/ray等训练框架开发经验2.算子优化经验,triton/cuda等开发经验.3.熟悉MPI/NCCL等分布式通信协议4.在MLSys/ICLR等顶会发表过训练优化相关论文 投递...
训练平台性能优化工程师实习生 北京 校招 实习 软件研发类 职位描述 深度优化训练流程 主导模型训练全链路性能分析与优化，设计GPU资源弹性调度策略 开发自动化训练加速工具链，构建可扩展的云端训练框架 研发混合精度训练、梯度压缩等前沿技术，突破训练吞吐瓶颈构建训练优化体系 制定标准化训练效能评估体系，建立成本-效率量化模型 设计可复用的训练加速组件库，沉淀最佳实践方法论 开发训练过程性能分析平台，实现性能问题智能诊断赋能业务研发 优化多任务资源调度策略，提升GPU集群整体利用率 为算法团队提供训练加速解决方案，缩短模型迭代周期 职位要求 1.精通深度学习训练加速技术，熟悉分布式训练框架设计2.掌握CUDA编程及GPU性能分析工具（nsys/torch profiler）3.熟练使用PyTorch框架，具备训练流程优化实战经验4.熟悉常见模型压缩技术（量化/剪枝/蒸馏）及落地应用5.具备大规模集群资源调度系统开发经验者优先【技术加分项】1.有mmcv//deepspeed/megatron/ray等训练框架开发经验2.算子优化经验,triton/cuda等开发经验.3.熟悉MPI/NCCL等分布式通信协议4.在MLSys/ICLR等顶会发表过训练优化相关论文 投递...
NVIDIA is leading the way in groundbreaking developments in Artificial Intelligence, High-Performance Computing and Visualization. The GPU, our invention, serves as the visual cortex of modern computers and is at the heart of our products and
We are now looking for a Senior Accelerated Computing Architect! NVIDIA is developing software and system architectures for accelerated high performance computing, scientific computing, machine learning, AI, datacenter, and automotive computing. This position offers you the
NVIDIA has been revolutionizing computer graphics, PC gaming, and accelerated computing for over 25 years. This remarkable achievement is underpinned by its legacy of innovation, which is driven by outstanding technology and exceptional talent. Today, we
We are the GPU Communications Libraries and Networking team at NVIDIA. We deliver communication libraries like NCCL & NVSHMEM for Deep Learning and HPC. DL and HPC applications have a huge compute demand already and run
NVIDIA has been defining computer graphics, PC gaming, and accelerated computing for more than 25 years. With an outstanding legacy of innovation, driven by phenomenal technology, and extraordinary people, NVIDIA is looking for a strong technical
NVIDIA has been defining computer graphics, PC gaming, and accelerated computing for more than 25 years. With an outstanding legacy of innovation, driven by phenomenal technology, and extraordinary people, NVIDIA is looking for a strong technical
We are building the next generation of GPU‑accelerated recommendation tools, redefining how models are trained and deployed at scale. Our mission is to make developing and productizing GPU‑based recommender systems as seamless, efficient, and powerful as
NVIDIA is looking for a talented Performance Research and Analysis Engineer to join our Performance group. The ideal candidate will profile and analyze AI workloads on large GPUs and CPUs scale clusters for distributed Deep Learning