Разработчик инференса LLM

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.

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

• 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

• 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…