基础设施与稳定性工程-大规模训练调度及效率优化工程师-杭州/北京

1.负责多模态生成、LLM 等核心模型的万卡级训练编排与调度系统建设，包括任务生命周期管理、资源调度、拓扑感知及排队策略优化； 2.建设训练稳定性与容错能力，覆盖软硬件异常检测、故障定位、自动恢复和断点续训； 3.完善训练可观测与效率分析体系，识别计算、通信、存储及资源调度等环节的性能瓶颈，推动资源利用率和训练效率极致优化； 4.参与核心模型在国产异构卡上的训练适配与效率调优工作。 【任职要求】 1. 计算机相关专业本科及以上学历，熟练掌握 Golang/Python，具备良好的算法、数据结构及工程能力，熟悉分布式系统基本原理，有高性能系统研发经验者优先； 2. 自驱、务实，对系统底层问题有钻研热情，具备复杂问题分析与排查能力，探索简洁高效的优化办法并推进落地解决； 3. 了解并行计算、GPU 架构、网络通信、系统优化、集群架构等 HPC 相关的知识；有Megatron-LM/DeepSpeed/FSDP/NCCL 等训练框架或组件的优化经验者优先。