岗位职责
- 负责百亿至万亿参数规模稠密、稀疏模型的训练与推理 Infra 建设，支撑千卡集群上的高效、稳定运行
- 优化数据并行、模型并行、专家并行及异构计算体系，解决通信、显存、调度和训推性能瓶颈，提升 GPU 利用率与系统吞吐
- 负责 LLM RL、Agentic RL Infra 的设计与研发，支撑 PPO、GRPO 等算法及大规模、多智能体、长链路 Agent 训练
- 建设高性能 RL 训推系统，优化异步训推、Partial Rollout、分布式 Replay Buffer、样本流转、模型同步与资源调度
- 跟进并落地强化学习、分布式训练和大模型推理领域的前沿技术，包括 VERL、rLLM、Agent Lightning、Ray、Megatron-LM 等，持续提升训练平台的性能、稳定性和技术领先性
职位要求
- 计算机科学、软件工程、人工智能等相关专业，3年以上工程化开发经验（含1年以上 RL 或深度学习基础设施相关经验）
- 熟练掌握 Python编程，具备扎实的工程编码能力，熟悉 C/C++ 者优先（底层优化场景）
- 深入理解深度学习框架（PyTorch），精通分布式训练原理与实践（FSDP/DeepSpeed/Megatron/Ray 等工具使用经验）
- 具备强化学习基础，理解 RL 训练流程（智能体、环境、奖励机制、经验回放等核心组件），熟悉主流 RL 框架（Ray、VERL、rllm、Agentlightning）者优先
- 具备复杂系统设计能力，能独立负责基础设施模块的从0到1搭建
- 强问题排查能力，能快速定位训练过程中的工程问题（性能、稳定性、资源瓶颈）
- 良好的跨团队沟通能力，能准确理解算法需求并转化为工程方案
- 自驱力强，乐于跟进前沿技术，具备快速学习与落地能力
