Finde deine nächste berufliche Chance

Suche Stellen nach Beruf, Fähigkeit und Standort. Prüfe die Anforderungen, bevor du deine Bewerbung vorbereitest.

Eine gute Stellensuche endet nicht bei einem interessanten Titel. Vergleiche Aufgaben, Anforderungen und Arbeitsbedingungen mit deiner Erfahrung. Dieser Leitfaden hilft dir, passende Möglichkeiten auszuwählen, relevante Unterlagen vorzubereiten und zu prüfen, wo du deine Bewerbung einreichen kannst.

Die Oberfläche ist auf Deutsch. Die Titel und Beschreibungen der Arbeitgeber bleiben in ihrer ursprünglichen Veröffentlichungssprache, die Englisch sein kann.

Filter zurücksetzen

Ergebnisse: 14.200

← Zurück zu den Ergebnissen

Senior ML Engineer | Kimchi (Inference Stack Optimization)

Kimchi

Standort
DE
Arbeitszeit
FULL_TIME
Veröffentlicht
16. Okt. 2026

Prüfe vor der Bewerbung auf der Website des Arbeitgebers, ob die Stelle noch offen ist und welche Bedingungen gelten.

Stellenbeschreibung

Die Oberfläche ist auf Deutsch. Die Titel und Beschreibungen der Arbeitgeber bleiben in ihrer ursprünglichen Veröffentlichungssprache, die Englisch sein kann.

Why Kimchi? Great models are raw ingredients. Kimchi is what happens when you ferment them with good engineering. We started inside CAST AI helping companies run LLMs on their own Kubernetes clusters; today we run our own coding harness on any model you pick, and we run the models underneath it ourselves. Kimchi Inference One API line and a customer's existing client just works: DeepSeek, GLM, Kimi, MiniMax, Nemotron served serverless from our own GPU fleet (OpenAI- and Anthropic-compatible, pay per token, spend visible per user, team, and key). When control matters, the same models run on the customer's own cluster instead. Behind that one line sits the machinery you'll own: SGLang and vLLM engines, B300 nodes, a shared cluster filesystem that holds every checkpoint exactly once, KV caches riding coding traffic with heavy prefix reuse, and the benchmark harness that gates every change we ship. Made by Cast AI — a Miami-headquartered, globally distributed team across 34 countries that hit unicorn status in January 2026 with a $50B+ backed investment pushing its valuation past $1 billion. About the role Throughput. Latency. Cold starts. Cost per token. Move those four numbers in the right direction and two things happen: customers get faster, cheaper inference, and our margins improve. That's the entire thesis of this role. Every loader you tune, every scheduler decision you land, every kernel you stare at shows up in a customer's p99 and on our P&L. Your mandate is the inference stack's optimization, whatever it takes, and the technical direction of how we optimize it is yours to argue with data. The problem: the checkpoints run 0.3-1.5 TB, and the "right" serving configuration depends on traffic shape, sequence-length distribution, batch dynamics, GPU SKU, memory bandwidth, and quantization tolerance, all variables that shift week to week. Most teams pick a configuration once, over-provision GPUs, and absorb the cost. We don't: we took Kimi-K3 (1.5 TB) from over an hour cold-to-serving to under twelve minutes with a shared filesystem, O_DIRECT weight loaders, and node-local JIT caches, and we're nowhere near done. Prefill/decode disaggregation and tiered KV caches are next. Stack: Python; SGLang; vLLM; TensorRT-LLM; PyTorch; fastsafetensors; CUDA-adjacent tooling; Kubernetes; virtiofs shared filesystems; ClickHouse; OpenTelemetry; Prometheus; Grafana; GitLab CI. Requirements You've built real ML systems for 5+ years, and your portfolio shows depth in inference or training infrastructure, not just model training notebooks. Your Python is production-grade: services, not scripts. You've run vLLM, SGLang, or TensorRT-LLM for real, and you have a working mental model of why an engine performs the way it does on a given GPU. You've measured quantization regressions, not just compression ratios. Multi-GPU and multi-node setups hold no fear: tensor and expert parallelism, collective communication, and their practical failure modes. You know where the bytes live (page caches, O_DIRECT, network filesystems under terabyte-scale reads) and how fast they move. You instrument before you optimize, and you can tell a real win from a benchmark artifact. A wide mandate excites you more than it unsettles you. Nice to haves You've worked on LLM routing specifically: RouterBench-class evals, cost/quality/latency Pareto fronts. Calibration, abstention, or conformal methods in production decision systems. You've run online A/B loops with drift monitoring on a model that touches real money. Responsibilities Push throughput. Continuous batching, chunked prefill, speculative decoding with draft models, CUDA-graph capture, and scheduler tuning across the engine  fleet. Find the ceiling on each GPU SKU, then raise it. Cut latency. Attack TTFT and inter-token latency separately; profile to find the actual bottleneck (compute, memory bandwidth, scheduling, storage, or  network) and fix it, not the one you assumed. Get more out of the KV cache. Hierarchical and paged attention, prefix caching on heavy-reuse coding traffic, eviction policies, quantized KV. A lot of the  unrealized throughput lives here, and you'll own it. Kill cold starts. Weight loaders (O_DIRECT, fastsafetensors-class), JIT and compile caches, shared-filesystem read paths. A 1.5 TB checkpoint has no business  taking an hour to reach serving. Quantize without regressing quality. INT8/INT4, FP8/FP4 across weights, activations, and KV, measured on real workloads, not just perplexity benchmarks. Scale across nodes. Distributed inference topologies, network-aware placement, prefill/decode disaggregation, checkpointing strategies that don't bottleneck  on storage or interconnect. Set the technical direction. Decide what we benchmark, what we adopt, and what we build ourselves. Bring the team along with strong writeups and reproducible  experiments. What’s in it for you? Competitive salary (depending on the level of experience). Enjoy a flexible, remote-first global environment. Collaborate with a global team of cloud experts and innovators, passionate about pushing the boundaries of Kubernetes technology Equity options. Get quick feedback with a fast-paced workflow. Most feature projects are completed in 1 to 4 weeks. Spend 10% of your work time on personal projects or self-improvement.  Learning budget for professional and personal development - including access to international conferences and courses that elevate your skills. Annual hackathon to spark new ideas and strengthen team bonds. Team-building budget and company events to connect with your colleagues. Equipment budget to ensure you have everything you need. Extra days off to help maintain a healthy work-life balance. Hiring process Screening call with Recruiter Hiring Manager interview Technical interview (system design) Live coding Culture Check interview with an executive As part of our standard hiring process, we would like to inform you that a background check may be conducted at the final stage of recruitment through our third-party provider, Checkr. Please note that Cast AI does not provide any form of visa sponsorship/work permit. #LI-Remote

Suchen, vergleichen und deine Bewerbung vorbereiten

Beginne mit einem Beruf oder einer Fähigkeit, die du einsetzen möchtest. Nutze die Standort- und Berufsfilter und öffne Stellenanzeigen, um die Aufgaben zu vergleichen. Wenn du keine Ergebnisse findest, probiere einen kürzeren Suchbegriff oder entferne jeweils einen Filter.

Unterscheide notwendige Anforderungen von Wünschen. Prüfe Arbeitszeit, Vergütung und Standort, soweit sie angegeben sind. Auch Remote-Stellen können einen bestimmten Wohnsitz, eine Arbeitserlaubnis oder passende Arbeitszeiten verlangen. Bestätige die Verfügbarkeit und die vollständigen Bedingungen beim Arbeitgeber.

Wähle tatsächliche Beispiele aus deiner Erfahrung, die zu den Anforderungen passen. Erkläre deinen Beitrag und verwende nur belegbare Zahlen. Befolge die Vorgaben des Arbeitgebers und prüfe Kontaktdaten, Inhalt und PDF, bevor du die Bewerbung abschickst.

Vor dem Absenden deiner Bewerbung

Fragen zur Stellensuche

Warum sind manche Stellenanzeigen auf Englisch?

Arbeitgeber verfassen ihre eigenen Titel und Beschreibungen. Wir behalten diese Texte bei, damit Anforderungen und Bedingungen unverändert bleiben. Navigation und Leitfaden sind auf Deutsch. Findest du mit deutschen Begriffen keine Stellen, probiere auch die Bezeichnung oder Fähigkeit in der Sprache der Anzeige, etwa „software engineer“.

Kann ich bei einer Remote-Stelle aus jedem Land arbeiten?

Nicht unbedingt. Arbeitgeber können den Wohnsitz auf bestimmte Länder beschränken, eine Arbeitserlaubnis verlangen oder Arbeitszeiten vorgeben. Prüfe die Originalanzeige. Wenn diese Angaben fehlen, kläre sie mit dem Arbeitgeber, bevor du davon ausgehst, dass du von deinem Standort aus arbeiten kannst.

Was kann ich tun, wenn keine Ergebnisse erscheinen?

Versuche einen allgemeineren Titel oder eine einzelne Fähigkeit und entferne die Filter nacheinander. Unternehmen verwenden unterschiedliche Berufsbezeichnungen. Ist eine bestimmte Anzeige verschwunden, suche ihre Referenz auf der Karriereseite des Unternehmens. Weniger Filter machen eine geschlossene Stelle nicht wieder verfügbar.

Wird meine Bewerbung über ResumizeAI abgeschickt?

Die Bewerbungsschaltfläche öffnet eine externe Seite. Folge den Anweisungen des Arbeitgebers oder des Recruiting-Anbieters und bestätige dort den Versand. Ein in ResumizeAI vorbereiteter Lebenslauf ist noch keine eingereichte Bewerbung. Führt der Link nur zur Unternehmenswebsite, suche zuerst die konkrete Stelle.

Wie passe ich Lebenslauf und Anschreiben an?

Verknüpfe die Anforderungen mit Projekten, Aufgaben und Ergebnissen, die du erklären kannst. Hebe passende Erfahrung hervor, ohne Fähigkeiten oder Leistungen zu erfinden. Erläutere im Anschreiben dein Interesse anhand eines konkreten Beispiels. Beachte die verlangte Sprache und das Dateiformat und prüfe beide Dokumente vor dem Absenden.