美团
实习【基座大模型北斗实习】大模型预训练研究
北京/上海 · 实习 · 不限
长期有效
任职要求
- 1、具备 CUDA kernel 开发和 Profile 能力，理解并行计算、存储层级架构，或具备国产AI算力开发经验；
- 2、改过 Megatron-LM / DeepSpeed / FSDP 源码（不是只跑过）；
- 3、了解 NCCL 原理 或有 RDMA / 网络协议栈经验；
- 4、MLSys / OSDI / SOSP / ISCA 等系统顶会论文；
- 5、PyTorch / Megatron 开源贡献记录。
岗位描述
【岗位职责】
简介：千亿参数、万亿Token、万卡集群——预训练的核心命题只有一个：在极限规模下，让每一张GPU都跑满，每一次迭代都不浪费。这是工程复杂度最高、也最能锻炼系统能力的地方。
你可能会做以下方向研究：
- 1、超大规模分布式训练
①设计和优化ND并行（EP/CP/DP/TP/PP）+ MoE并行混合策略，支撑万亿参数模型训练。
②深入 Megatron-LM 内核，针对美团模型架构做定制化设计、改造，性能优化。
③解决流水线气泡、显存碎片、梯度累积等大规模训练特有的工程难题，细粒度控制平衡计算通行的精度和效率。
- 2、计算 & 算子优化
①基于 CUDA / Triton 开发高性能训练算子（FlashAttention变体、FusedMLP、RMSNorm等）。
②推进 8bit、4bit 混合精度训练落地，在精度与速度之间找到最优平衡。
③通过 profiling 定位热点，把MFU（模型算力利用率）推向理论上限。
- 3、通信链路优化
①深挖 NCCL / RDMA / InfiniBand 通信性能，优化 AllReduce/AllGather/MoE层Dispatch/Combine 等集合通信原语。
②结合网络拓扑设计通信-计算重叠策略，让通信开销近乎透明。
- 4、稳定性 & 大规模容错
①构建万卡级自动故障检测、弹性容错、断点续训机制。
②设计高效的异步checkpoint方案，千亿模型保存时间压到分钟级。
③开发训练健康度监控系统：loss异常、梯度爆炸、卡间通信超时等实时告警。
- 5、存储 & 数据IO
①解决 PB级预训练语料的高并发高吞吐读取问题。
②设计 tokenized 数据的分布式缓存与预取，IO不成为训练瓶颈。
【任职要求】
- 1、具备 CUDA kernel 开发和 Profile 能力，理解并行计算、存储层级架构，或具备国产AI算力开发经验；
- 2、改过 Megatron-LM / DeepSpeed / FSDP 源码（不是只跑过）；
- 3、了解 NCCL 原理 或有 RDMA / 网络协议栈经验；
- 4、MLSys / OSDI / SOSP / ISCA 等系统顶会论文；
- 5、PyTorch / Megatron 开源贡献记录。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。