岗位职责
训练方向： 负责分布式训练框架的设计与优化，支撑医学大模型（LLM及多模态）的预训练、SFT微调、Post-Training（RLHF/GRPO/PPO等强化学习对齐）全流程训练任务。 构建高效稳定的训练数据Pipeline，包括数据预处理、数据加载与调度、Checkpoint管理（异步快照、分布式Checkpoint、断点续训）等基础设施。 优化大规模分布式训练的性能与稳定性，包括并行策略设计与调优（数据并行/张量并行/流水线并行/序列并行）、MoE架构训练与专家并行（Expert Parallelism）、FP8/BF16混合精度训练、长上下文训练（Ring Attention/Context Parallelism）、通信拓扑优化等。
职位要求
- 精通代码编写，包括但不限于C/C++/Python/Rust/Java等，熟悉Linux/Unix开发环境，具备良好的工程实现能力，有较强的代码调试和解决技术问题的能力。
- 熟悉计算机系统相关知识，包括计算机网络、操作系统、计算机体系结构、数据库等；对AI Infra相关技术有浓厚兴趣，熟悉Nvidia GPU及相关生态者优先。
- 对医疗健康领域有兴趣，了解医疗AI行业的特殊要求（如数据合规、模型可靠性、循证医学等）者加分。
- 有较强的团队精神和沟通交流能力，能够跨团队协作推动项目落地。
- 熟悉业界主流的分布式训练框架，包括但不限于PyTorch/Megatron/DeepSpeed/verl等，有大规模预训练、微调或RL训练（如GRPO/PPO）的实战经验。 具备分布式训练的高性能计算经验，如并行策略调优（数据并行/张量并行/流水线并行/序列并行）、MoE架构与专家并行（Expert Parallelism）、FP8/BF16混合精度训练、长上下文训练、梯度累积与通信拓扑优化、弹性Checkpoint等。
