岗位职责
- 统一训练架构建设与演进：负责大模型后训练（Post-training）框架的代码抽象与底层重构，兼容不同模态、不同训练方式的、正确的、高效的训练框架的建设；
- 超大规模分布式训练优化：面向100B～1T参数级别的超大模型，探索并落地极致的分布式训练策略（DP、TP、PP、EP等组合），通过算子融合、显存优化、分布式策略调整等手段大幅提升集群训练的MFU；
- Agent RL框架与评估底座建设：攻坚Reasoning RL/Agent RL的训练框架，构建适用于复杂业务环境的标准化评测基准与标准的、稳定的Harness，解决千亿模型在RL阶段的稳定收敛与Rollout效率问题，解决在Agent RL下的长尾问题；
- 多模态与新架构支持：为MoE、Linear Attention等新型模型结构，以及多模态（图、文文、音、视）复杂模态的模型训练提供高效支持与正确性（Convergence）验证。
职位要求
- 具备2年以上机器学习系统设计、开发与性能调优经验，熟练掌握Python与C++；
- 深入理解并具备PyTorch、DeepSpeed、Megatron或FSDP等主流分布式训练框架的二次开发经验；
- 有100B以上超大模型分布式训练实战经验，能够独立排查并解决收敛性问题与分布式训练瓶颈；
- 在强化学习训练框架（PPO/GRPO/Agent RL）或大模型评测底座、Agentic Harness有深度实践者优先；
- 具备工程素养，对提升AI Infra的研发效率、代码整洁度与系统稳定性有追求。
