岗位职责
- 负责百炼平台后训练技术架构设计与性能优化，建设 LLM/MLLM 及 AIGC (DiT) 场景的生产级微调与对齐能力。
- 负责十亿至万亿级参数模型分布式训练的工程落地，定位计算、显存、通信与系统瓶颈，提升 MFU 并降低训练成本。
- 主导数据管线（数据合成、效果评测、数据回流）与高鲁棒 Rubric/Reward 体系的架构设计与开发，牵引模型持续迭代。
- 负责分布式训练容错及弹性架构，优化端到端后训练性能与稳定性，保障生产级 SLA。
职位要求
- 计算机、人工智能相关专业硕士及以上学历，精通 Python/C++/Rust 等至少一种编程语言，具备扎实的系统架构设计能力。
- 深入理解深度学习框架（PyTorch/DeepSpeed 等）；具备大规模 GPU 集群训练排错（如网络死锁、显存 OOM、容灾恢复）与性能调优经验。
- 熟悉 LLM/MLLM 或 AIGC (DiT) 后训练算法流程（SFT、PRM、Agentic RL 等），具备后训练框架二次开发、深度定制或自研经验者优先。
- 具备良好的沟通协调能力、项目推动力与团队合作精神，有复杂业务场景工程落地成功经验者优先。
