岗位职责
- 为阿里大模型训练和推理业务提供稳定性支持，包括问题定位，稳定性系统设计和研发等；
- 为阿里大模型训练和推理业务提供高性能的通信保障，包括问题定位、性能分析、性能优化等。
职位要求
- 有过大模型训练稳定性相关开发或者运维经验者优先，如大模型训练的故障定位，性能定位经验；
- 对RDMA网络、NCCL/DeepEP通信库有开发经验或者调优经验的优先；
- 对大模型训练和推理框架熟悉，有分布式训练推理集合通信性能优化经验，或者kv cache通信优化经验、或者计算通信overlapping经验者优先；
- 有强烈技术热情和好奇心，自驱力和学习力强；具备良好的分析与解决问题的能力、沟通以及团队合作能力；喜欢挑战性的技术研发工作，善于攻坚克难，有创新热情，积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破。
- 掌握AI基础知识，掌握基础提示词工程，会使用Al专业工具，集成AI到个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先。
