岗位职责
1）设计并维护支持千亿参数模型的分布式训练系统及作业调度、资源管控平台； 2）优化分布式训练资源调度管理能力，优化大规模GPU集群资源使用率； 3) 与基础团队合作，推进作业调度（如 Kubernetes / Slurm）、存储（ CFS / PFS / OSS）、网络互联的联调优化； 4) 建设自动化的训练监控、Checkpoint 保存与容错恢复机制，降低大规模训练任务的中断损失； 5) 负责预训练数据的高效加载与预处理流程，确保 I/O 不成为训练瓶颈，支持 TB 级数据集的高效迭代； 6) 搭建实验管理、超参数追踪、可视化监控等工具链，支持研究团队快速迭代。
职位要求
1）扎实的编程能力（Golang / Python），良好的数据结构与算法基础； 2）理解分布式系统基本概念（通信、调度、容错）； 3）熟悉 PyTorch 训练机制与源码结构； 4）具备性能分析能力（GPU 利用率 / 通信瓶颈）； 5）理解大模型训练基本流程； 6）熟悉 Linux 系统、容器（Docker/K8s）及常见集群调度工具； 7）理解训练指标（收敛速度 / 稳定性 / 吞吐）。 加分项 加分项（满足部分即可） 1）Megatron / DeepSpeed / FSDP 分布式训练框架开发经验； 2）熟悉 InfiniBand / RoCE 高速互联网络及 NCCL 调优； 3）熟悉Agent系统关键组件；有Sandbox或执行环境经验（Docker / VM）； 4）对分布式数据处理系统有开发经验（Hadoop / Spark / Dask / Ray）； 5）对存储硬件及各个系统性能有深入理解（HDFS / CFS / OSS ）。
