岗位职责
- 负责中台整体技术架构与技术方案规划落地，覆盖数据、预训练、后训练、评测四条核心链路，界定中台与底层算力调度、高性能网络、分布式存储的能力边界，推进技术栈收敛；负责团队组建与技术梯队建设，主导跨团队技术决策；
- 负责数据基座建设，包括训练数据流水线、数据集与元数据管理、支持数据发版机制、样本级血缘与去重、数据质检与合版流程；
- 协同负责分布式数据存储与计算体系，规划 Ceph、CFS、HDFS 多套存储的分层使用与冷热治理，优化并行文件系统在大规模并发训练下的读取路径与吞吐，基于 Spark、Ray Data 构建数据处理算子编排与跨地域数据搬迁链路；
- 负责大规模分布式训练的性能与稳定性工程，对有效训练时间占比负责。参与 DP/TP/PP/EP 并行切分方案设计与通信计算重叠优化，定位通信、数据读取、显存与算子层瓶颈；协同建设慢节点检测、GPU XID 与 SDC 识别、异步分片 checkpoint、弹性伸缩下的状态恢复与自动续训；
- 负责训练工程链路的抽象与平台化，包括任务建模与参数配置分离、镜像与依赖版本管理、作业生命周期管理、实验记录与产物版本管理、伴生任务；
- 负责后训练链路的工程支撑，包括 SFT、RL 等后训练的全流程平台化，包含但不限于 Rollout 与 Train 的资源编排与权重同步，Reward 与 Verifier 服务的吞吐与容错，工具沙箱与环境管理，长轨迹样本的存储与回放；
- 负责模型评测的整体工程链路，支持各类模型的部署与评测，包括评测集与集合的资产化管理、评测任务调度与结果溯源、多形态评估引擎（RM、多模态、Code、Function Call、Agent 轨迹）的工程接入；了解主流推理引擎的工程实现与适配；
- 制定技术规范与研发流程，建立工程设计评审、发布门禁、故障复盘与值班机制，为整体工程质量负责。
职位要求
- 计算机、软件工程、人工智能等相关专业本科及以上学历，5 年以上软件研发经验；
- 主导过大型 AI 平台、机器学习平台或数据平台从架构定义到规模化落地的完整过程，所建系统被平台之外的多个团队长期使用；
- 熟悉 Kubernetes 及云原生生态，理解 Volcano、Ray 等批量与 gang scheduling 系统的调度模型与适用边界；熟悉并行文件系统的 IO 特征与可观测性体系；
- 具备大规模数据存储与处理经验，熟悉对象存储、并行文件系统与 HDFS 的适用场景，掌握 Spark 或 Ray 的分布式数据处理机制，理解列式存储与训练样本格式转换的工程约束；
- 理解 GPU 服务器、NVLink/NVSwitch、具备多机通信排障与性能分析能力，熟练使用 PyTorch Profiler 等观测工具；
- 掌握 PyTorch 与 Megatron-LM、FSDP 等并行训练框架的实现机制，理解混合精度、重计算、序列并行、MoE 路由与专家并行的工程约束；
- 熟悉大模型研发全流程，理解各训练阶段的数据形态、资源特征与失败模式；具备在既有基础设施之上构建抽象层的经验，能说明能力边界的划分依据与取舍过程；
- 具备矩阵型组织中的技术决策与推动能力，以平台能力的实际使用规模与效率提升衡量交付成果。
