Обязанности: Разворачивать и эксплуатировать LLM-сервисы на GPU-кластере: инстансы vLLM/SGLang, тиринг по SLA, обновления без простоя парка; Тюнинговать движки: continuous batching, chunked prefill, prefix caching, планировщики, спекулятивное декодирование, квантование FP8/NVFP4; Строить мультинодовые схемы (TP/PP/EP) и P/D-дисагрегацию с передачей KV-кэша по RDMA; Настраивать наблюдаемость (TTFT/TPOT/P99, KV-hit, утилизация HBM); Участвовать в планировании мощности и токен-биллинге: бенчмарки, roofline-оценки, сценарии p10/p50/p99. Требования: Инференс-движки: Глубокое знание vLLM в проде: PagedAttention, prefix cache, планировщик и приоритеты, квантование, мультинод (Ray, TP/PP); умение читать исходники и патчить; Практика с одним из движков: SGLang, TensorRT-LLM, llama.cpp, DeepSpeed-MII/FastGen - и понимание компромиссов между ними; Квантование в проде: FP8, W8A8, GPTQ/AWQ; знание FP4/NVFP4/MXFP4 - механика, потери качества, применимость по тирам; Спекулятивное декодирование: как устроено, влияние на TPOT и пропускную способность, приём черновиков, когда вредит; Roofline-мышление: memory-bound декод против compute-bound префилла, роль пропускной способности HBM, footprint KV-кэша (GQA/MLA/сжатый KV) - умение прикинуть «влезет/не влезет» и ожидаемый throughput на узле; Кластер и сети: NVIDIA-стек: драйверы, CUDA, NCCL; диагностика (nvidia-smi, DCGM, чтение отчётов Nsight); RDMA/InfiniBand/RoCE: тесты ширины канала, латентность all-to-all, топология и тюнинг NCCL; MoE-инференс: экспертный параллелизм, all-to-all dispatch/combine (DeepEP-класс), горячие эксперты и балансировка; Платформа и инженерная база: Kubernetes в проде: GPU-шедулинг, device plugins/MIG, node pools, HPA/VPA; Деплой моделей: KServe/llm-d/Knative/Triton; реестры моделей, версионирование весов, LoRA-адаптация; Контейнеризация GPU-нагрузок: CUDA-образы, пиннинг потоков, hugepages; Наблюдаемость и надёжность: Prometheus/Grafana/Loki/OpenTelemetry: метрики SLA, трейсинг запроса через роутер, префикс-кэш и движок; Нагрузочное тестирование инференса: генераторы трафика по профилям вход/выход и cache-hit; умение отличить SLA-деградацию от ресурсной; Инцидент-практика: деградации P99, фрагментация памяти KV-кэша, OOM, отказы реплик. Языки: Python на продакшен-уровне (сервисы, автоматизация, бенчмарки); чтение C++/CUDA-кода движков; Go/Bash - для инструментария. Будет плюсом: Собственные бенчмарки, доклады или статьи по тюнингу инференса; Опыт P/D-дисагрегации и KV-пулов (NVIDIA Dynamo, Mooncake, DistServe); Мультиарендность: изоляция тенантов, защита TTFT от «толстых» промптов (VTC-подход); FinOps и токен-биллинг, планирование capacity; Контуры ASR/TTS/OCR, embedding/rerank-сервисы. Условия: работа в аккредитованной IT-компании (льготная ипотека и проч.); оформление по ТК РФ и его полное соблюдение (оплачиваемые отпуска, больничные); ДМС со стоматологией с первых недель работы.
Похожие вакансии