岗位职责
- 负责超大规模机器学习系统架构的设计开发，解决系统高并发、高可靠性、高可扩展性等技术难关；
- 负责大模型分布式训练任务性能优化，涵盖LLM/MLLM模型的CPT/SFT/RL等训练系统的搭建和性能优化；
- 与算法部门深度合作，进行算法与系统的联合优化；
- 国产硬件的适配和性能优化。
职位要求
- 优秀的代码能力、数据结构和基础算法功底，熟练掌握Linux环境下的C/C++，Python；
- 熟悉至少一种机器学习框架（PyTorch/TensorFlow/PaddlePaddle/Mindspore等训练框架），以及对应框架相应技术生态；
- 有分布式训练、模型并行、数据并行等训练经验，至少了解一种分布式框架（如FSDP/Megatron/DeepSpeed/veScale等）；
- 掌握分布式系统原理，参与过分布式系统的设计、开发和维护；
- 有强烈的工作责任心，较好的学习能力、沟通能力和自驱力，能够快速的响应和行动；
- 较强的自驱学习能力，对端到端系统设计、编码规范和系统优化有高标准要求。 加分项：
- 熟悉LLM、MLLM、NLP、CV、语音相关的算法和技术，熟悉大模型训练、Diffusion模型训练；
- 熟悉GRPO/PPO/DAPO等RL算法、veRL/OpenRLHF/AReal/ROLL/Slime等任一强化学习框架；
- 熟悉高性能编程，例如CUDA、向量化、并行化；或具有AI编译器相关经验；
- 熟悉国产异构硬件并有相关训练框架或高性能算子调优经验。
