岗位职责
- 万卡级 GPU 调度系统建设： 参与大规模 GPU 集群调度系统建设，围绕 Quota、优先级、抢占、弹性伸缩、碎片整理、拓扑感知调度等能力提升资源效率。
- 训推统一调度： 面向大模型训练、后训练、推理服务等不同负载，设计训推统一调度、潮汐混部、在线离线协同和资源弹性策略。
- 资源利用率治理： 建设 GPU 资源利用率分析体系，基于真实负载数据识别低效资源、资源碎片、潮汐空闲和调度瓶颈。
- LLMOps 平台融合： 参与构建面向大模型训练、微调、推理、部署全流程的 LLMOps 能力，与云原生平台深度融合，支撑大模型生产链路稳定高效落地。
- 集群稳定性建设： 与云原生、IDC、网络、存储和业务团队协作，提升大规模 AI 集群的故障恢复能力、资源周转效率和任务稳定性。
- 前沿技术探索： 持续关注 Kubernetes、Volcano、Kueue、Ray、GPU 虚拟化、弹性调度等相关技术，探索下一代 AI 资源调度系统。
职位要求
- 熟悉云原生生态及工具，如 Kubernetes、Kubeflow、Volcano、Kueue 等，有调度系统开发经验优先。
- 熟悉 GPU 集群调度、GPU 虚拟化、Quota 管理、故障容错、资源弹性伸缩、高速网络 / 存储等方向中的至少一类。
- 了解大模型训练、后训练、推理、部署等生命周期，理解不同负载对 GPU 资源、网络、存储和调度策略的差异化诉求。
- 熟练掌握 Python、Golang、C++ 或其他编程语言中的一门或多门，具备良好的工程实现能力。
- 具备优秀的逻辑分析能力和系统抽象能力，能够基于真实业务负载进行问题拆解、策略设计和工程落地。
- 有良好的沟通协作能力，能与平台、云原生、算法、业务、IDC、网络和存储团队协同推进复杂项目。 加分项：
- 有大模型场景下负载特征分析、GPU 集群调度、资源利用率优化、高性能网络 / 存储等实践经验。
- 有 GPU 虚拟化、在线 / 离线混部、潮汐调度、抢占式调度、碎片整理等落地经验。
- 有大规模训练或推理集群端到端优化经验，理解训练和推理负载在调度侧的差异。
- 熟悉 RDMA、IB、RoCE、NCCL 等通信机制，能结合网络拓扑优化调度策略。
- 有 Kubernetes Scheduler、Volcano、Kueue、Ray、YARN、Airflow 等调度系统开发经验。
