Авито 3 дня назад
Старший разработчик
- Москва
KubernetesDockerLLMGrafanaPrometheusGPUSGLangTensorRT-LLMInference Optimization
Описание
Обязанности
- 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
Требования
- 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 плюсом
- 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
Условия
- Москва
- 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