Live opening · Posting date unavailable
AI Infra SRE 工程师(大模型推理)(深圳/北京)
Tencent · Shenzhen, China
Live opening · Posting date unavailable
The key details from the original listing.
Description supplied by the original job listing.
1.负责大模型在线推理服务(含评测、潮汐调度等业务形态)的全链路稳定性保障:日常值班、告警响应、故障定位与复盘,推动根因治理与长期改善;
2.负责推理服务性能与容量运营:KV Cache 调优、吞吐与时延优化、GPU 资源池水位监控与弹性调度,参与成本 / 资源优化专项;
3.建设面向推理场景的可观测体系:TTFT / TPOT、缓存命中率、GPU 利用率、排队时延等 SLI/SLO 指标落地,结合 Tracing / Logging 定位长尾问题;
4.参与推理集群(Kubernetes)日常运维:多机多卡部署与调度策略、Pod 异常与故障节点隔离、灰度发布与回滚预案;
5.沉淀 SRE 工具链与效能建设:巡检工具、故障自愈脚本、容量与成本预测模型,持续降低人工运维成本。
Experience
> 3 years of working experience
Recently tracked roles with full details and direct application links.