岗位职责
面向高性能 GPU 大卡集群、AI 训练 / 推理集群，聚焦集群全栈性能优化、网络异常检测、服务器故障定位，支撑大模型训练、分布式算力业务稳定高效运行 团队通用职责：
- 参与大规模 GPU 集群日常压测、基线梳理、运维保障，配合完成集群扩容、版本升级、环境标准化工作
- 基于 Prometheus、Grafana、DCGM 等工具搭建集群监控大盘，输出性能报表、故障分析报告与优化方案
- 编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀技术知识库
- 协同算法、平台、网络团队，联动定位集群全链路问题，保障大模型训练、分布式任务稳定运行
- 跟踪 GPU 集群、RDMA 网络、分布式通信前沿技术，持续优化集群架构与运行效率 岗位具体职责： 聚焦硬件、驱动、通信库、调度、框架全维度性能优化，提升集群算力利用率与任务吞吐，细分具体工作内容：
- 负责 GPU 硬件栈调优：完成 GPU 驱动、CUDA、cuDNN、固件版本选型与参数调优，优化 GPU 功耗、显存占用、卡间 NVLink 通信效率，解决 GPU 降频、算力跑不满问题
- 分布式通信优化：针对 NCCL 集合通信库做参数调优，优化多机多卡分布式训练通信逻辑，降低通信时延、提升集合通信吞吐
- 系统与内核调优：基于 Linux 操作系统做内核参数、内存、IO、进程调度优化，适配高负载 GPU 集群运行场景
- 算力调度优化：配合 Slurm/K8s 算力调度平台，优化任务队列、资源配额、负载均衡策略，减少任务排队、资源碎片问题
- AI 框架适配调优：对接 PyTorch、TensorFlow、vLLM 等主流框架，完成训练 / 推理场景参数调优，实现计算与通信重叠，提升端到端任务性能
- 集群基准测试：使用行业标准压测工具完成集群算力、吞吐、时延基准测试，定位性能瓶颈并落地优化方案
职位要求
面向2027届海内外本硕博毕业生（2026年9月-2027年8月期间毕业）
- 计算机、网络工程、电子信息、高性能计算、人工智能等相关专业；
- 熟悉 Linux 操作系统，掌握基础 Linux 命令，了解 Shell/Python 任意一种脚本语言，具备基础脚本编写能力；
- 了解计算机网络基础原理，熟悉 TCP/IP、二层 / 三层网络架构，有 RDMA、InfiniBand、RoCE 网络认知者优先；
- 了解 GPU、CUDA 基本概念，接触过分布式计算、高性能集群、AI 训练环境者优先；
- 具备良好的问题排查思路、逻辑分析能力，学习能力强，能接受集群 7×24 应急值守（轮班），责任心强、善于沟通协作。 加分项：了解 NCCL、分布式训练原理，有 Linux 内核调优、算力压测相关实践经验。
