岗位职责
- 设计和开发面向大规模模型训练的任务智能调度系统，实现调度器与训练框架的深度协同，使资源分配能够感知并行策略拓扑、通信模式和显存需求，提升集群级训练效率和资源利用率；
- 负责大模型训练引擎与运行时系统的核心架构设计与研发，支持 PyTorch、Megatron-LM、DeepSpeed、FSDP、MoE 等主流训练框架在 Kubernetes 环境下的高性能运行；建设统一的训练任务生命周期管理、分布式启动、资源隔离与训练编排能力，支撑大规模预训练、SFT 与 RL 等场景。
- 研究和实现面向超大规模卡级大模型训练的高可用与弹性运行机制，构建支持节点故障感知、训练任务自动恢复、弹性扩缩容及并行拓扑动态重构的训练体系；优化分布式 checkpoint、故障恢复与重调度链路，降低大规模训练中的中断、重启与资源等待开销，提升长周期训练任务的稳定性、资源可用性与整体 Goodput。
- 研究和实现面向大规模训练任务的智能诊断与自动容错能力，建设覆盖 GPU、网络、NCCL、存储及训练框架的全链路监控与异常检测机制；支持断点续训、Pod 级快速拉起、节点自愈、训练任务局部恢复与动态降级，缩短故障定位与恢复时间，降低因异常导致的训练 Badput 与有效算力损耗。
- 探索前沿技术，对平台演进中的技术需求（如多阶段训练流水线编排、训练-推理混合调度、异构集群适配等）进行预研和设计。
职位要求
- 具备扎实的计算机基础知识和分布式系统研发经验，C++/Python 编程能力强，对操作系统原理、计算机网络、分布式一致性等系统领域知识有较好的理解和项目应用经验。
- 熟悉深度学习基本原理和主流深度学习框架（PyTorch），了解分布式训练的基本并行策略（DP/TP/PP/EP）和通信原语（NCCL、AllReduce、P2P）。
- 熟悉 Megatron-LM、DeepSpeed、TransformerEngine、DualPipe 等训练框架技术，并在研究或实习项目中有相应的实践经历。
- 具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。 加分项：
- 有很强的学术研究能力和优秀的学术成果（分布式系统/AI 系统/高性能计算领域顶会/顶刊论文）；
- 熟悉集群调度系统（Kubernetes、YARN、自研调度器）的设计与实现；
- 有万卡级大模型训练实战经验，了解训练中的故障模式和稳定性优化；
- 作为核心贡献者参与开发或负责维护 AI 领域的流行开源项
