Старший разработчик в команду LLM Inference Optimization

О команде

Наша команда развивает направление оптимизации инференса LLM на GPU Авито. Мы повышаем эффективность использования оборудования и помогаем продуктовым командам запускать модели с учётом профиля нагрузки, качества и метрик производительности.

Какие задачи вас ждут:

• проводить нагрузочное тестирование моделей по запросам продуктовых команд и оптимизировать их под конкретные сценарии использования;
• развивать методику оценки производительности LLM на нашем оборудовании: бенчмарки, инструменты и мониторинг;
• регулярно замерять производительность, отслеживать выход новых моделей и поддерживать таблицу результатов;
• тестировать новые GPU и сопровождать их настройку вместе с командами инфраструктуры и платформы инференса;
• масштабировать оптимизации на весь парк моделей: спекулятивное декодирование, мульти-LoRA, распределённый инференс, переход на новые инференс-бэкенды;
• доводить изменения до продакшена по циклу - профилировать, оптимизировать, тестировать, внедрять при подтверждённых метриках;
• запускать LLM-модели с использованием платформы инференса.

Мы ждём, что вы:

• оптимизировали LLM-модели с учётом профиля нагрузки;
• работали с инференс-фреймворками LLM: vLLM, SGLang, TensorRT-LLM и другими, запускали и настраивали их, подбирали параметры;
• знаете, как устроен LLM-инференс, и понимаете методы оптимизации: prefill и decode, KV-кеш, batching, спекулятивное декодирование, квантизация;
• знаете принципы работы GPU: память, пропускная способность, утилизация, NVLink, конфигурации с несколькими GPU;
• профилировали GPU и работали с инструментами для мониторинга;
• проводили нагрузочное тестирование и бенчмаркинг LLM-моделей: latency, TTFT, TPOT, throughput, и тд, умеете корректно сравнивать результаты и делать выводы;
• работали с Docker, Kubernetes, метриками и дашбордами Prometheus, Grafana;
• готовы внедрять изменения в продакшен, поддерживать их и объяснять результат продуктовым командам.

Будет здорово, если вы:

• писали или оптимизировали CUDA-кернелы, понимаете SIMT и архитектуру GPU NVIDIA;
• внедряли спекулятивное декодирование, мульти-LoRA-сервинг или распределённый инференс;
• работали с роутингом и балансировкой с учётом KV-кеша: llm-d, NVIDIA Dynamo, Mooncake или аналогами;
• знаете C++ или Go;
• следите за статьями и проектами с открытым исходным кодом по ускорению инференса и быстро проверяете идеи на практике.

Работа у нас — это:

• расширенная забота о здоровье: ДМС, страхование жизни, онкострахование;
• сервис психологической поддержки, а также финансовые, юридические и ЗОЖ-консультации для вас и ваших близких;
• корпоративный спорт: групповые тренировки, велбиинг-приложение;
• спецпредложения от партнёров и скидки на сервисы Авито: бронирование жилья, услуги продвижения, ипотечное страхование;
• компенсация питания;
• инженерная свобода для реализации масштабных задач;
• продуктовый подход к инфраструктуре, который базируется на метриках;
• сильное инженерное комьюнити, готовое поддержать и поделиться опытом;
• эффективные инструменты для роста и развития: матрица компетенций, внутреннее обучение, менторство и обмен опытом.