大模型算法与系统协同优化

本岗位聚焦 算法 × 工程 co-design，你将深度参与模型架构、预训练与强化学习训练范式的系统级落地与共创。我们寻找的不是“支持算法”的工程师，而是能参与定义下一代训练范式的人。 具体的职责包括以下相关方向的一项或多项：

1. 模型架构 × 系统共设计： * 参与 MoE / 混合 Attention / Linear Attention 等架构的并行策略设计； * 设计 EP × TP × CP x PP x DP 等多维并行协同机制； * 构建高效 KV cache、激活重算与内存调度策略； * 在架构设计阶段建模通信复杂度与可扩展性； * 推动 FP8 / FP4 混合精度在全链路落地。
2. 超大规模预训练系统建设： * 构建百万亿 token 级数据供给与动态采样编排系统； * 优化 Optimizer × 通信 × 计算协同机制； * 构建长上下文训练（1M+）的系统级支撑能力； * 设计万卡级分布式训练架构与通信调度优化方案。
3. 强化学习与 Agentic 训练优化： * 优化超大规模 RL 训推系统性能； * 长轨迹 Agentic RL 训练效率优化； * 大规模 Agent 环境自动化构建和资源管理； * 持续迭代 Reasoning、Agentic、multi-agent RL 的框架。

1. 深入理解分布式训练体系（TP / PP / SP / EP / CP 等）；
2. 熟悉主流大模型训练框架/推理引擎底层实现（Megatron / DeepSpeed / FSDP / vLLM / SGLang 等）；
3. 熟悉 Triton / CUDA / NCCL / 通信优化原理；
4. 能从算法目标反推系统架构设计；
5. 具备从第一性原理推导系统设计的能力；
6. 对 scaling law 与系统瓶颈具有直觉判断；
7. 敏捷思维与良好协作能力，能与算法研究员进行深度技术对话。 加分项：
8. High contribution & low ego；
9. 有 100B 以上 MoE 模型预训练系统经验；
10. 有强化学习 / RLHF / Agentic 训练系统经验；
11. 有 FP8 / FP4 混合精度工程落地经验；
12. 有长上下文（100K+）训练与推理优化经验；
13. 有超大规模集群稳定性与容错系统设计经验；
14. 对算子融合与 kernel 级优化有实践经验；
15. 在顶会 / 顶刊发表过系统或架构相关论文；
16. 精通 Agentic Coding；
17. 各类国际级竞赛（IMO、IPHO、ICHO、IOI、ICPC、Kaggle等）获奖.