Старший разработчик в команду LLM Inference Optimization

Location: Москва, удалённая работа или гибрид, RU; Россия 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.