高性能通信库研发工程师 — AI 大规模训练通信方向

为什么加入我们 1. 你将直接影响 MiniMax大规模 GPU 集群的训练效率——通信是大规模分布式训练最关键的瓶颈之一，你的每一次优化都会体现在模型迭代速度上 2. 真实的 AI 原生大规模场景：不是实验室级别的 benchmark，而是 MoE专家并行、万卡训练等前沿架构下的通信挑战，你将在业界最前沿的工程实践中持续成长 3. 与训练框架、网络、硬件团队紧密协作，获得从 RDMA链路到分布式训练全栈的技术视野 我们在做什么 MiniMax 基础设施团队为公司 AGI 模型训练与推理提供高性能通信底座。我们负责集合 通信库的研发与深度优化，确保大规模分布式训练任务在千卡集群上稳定高效地运行。 这不是普通的网络开发工作，而是在 NCCL、DeepEP、UCX等通信库的内核层面做性能极致优化——你需要深入 AllReduce、All-to-All等通信原语的调度机制，理解 MoE 专家并行下 token dispatch/combine的通信语义，并在 RDMA/RoCEv2链路上构建可观测性体系，让万卡训练的通信链路可诊断、可调优、可自愈。 你将做什么 1. 设计并优化 AI训练场景下的集合通信库（NCCL、UCX、MPI）及专项通信库（DeepEP、DeepSpeed Comms），提升 AllReduce、ReduceScatter、All-to-All等原语在千卡集群上的通信效率 2. 深度参与 MoE 专家并行场景的通信优化，针对 dispatch/combine通信模式进行算法分析与路径调优 3. 主导通信链路的故障排查与根因分析，建立系统化的排错方法论，解决训练中的挂起、抖动、超时等问题 4. 构建通信系统的可观测性体系，覆盖性能profiling、链路质量监控、异常检测与告警 5. 参与 RDMA/RoCEv2通信路径调优，优化拥塞控制与重传机制，配合网络团队提升端到端稳定性 6. 与训练框架团队协作，推动通信库与 PyTorch 等框架的深度融合与接口优化 【任职要求】 我们期待你 基础要求： 1. 本科及以上学历，计算机/电子工程/通信相关专业，3 年及以上系统或网络研发经验 2. 扎实的网络协议基础，熟悉 TCP/IP、RDMA/RoCE 通信原理，理解 InfiniBand或以太网 RDMA 的链路行为 3. 有 NCCL、UCX、OpenMPI等集合通信库的使用、调优或二次开发经验，理解其通信拓扑与调度机制 4. 熟练掌握 C/C++，具备系统级性能优化能力，熟悉perf、nsys、nvprof、wireshark、ibdiagnet 等工具 5. 对分布式训练系统有整体理解，了解 tensor 并行、流水线并行、数据并行、专家并行下的通信瓶颈特征 加分项： 1. 有 NCCL plugin 开发、NCCL tuner 调优，或 DeepEP/DeepSpeed Comms集成优化的实战经验 2. 有千卡以上 GPU 集群中定位通信瓶颈、解决挂起或抖动问题的实际案例 3. 熟悉 eBPF/XDP、RDMA Counters、SR-IOV 等技术，有通信链路可观测性建设经验 4. 有自建通信 benchmark 体系或压测平台的经验（如 nccl-tests 扩展、All-to-All专项压测等） 5. 有参与 UCX、Libfabric、OpenMPI、DeepEP 等开源通信项目的经验