岗位职责
- 模型训练基础设施开发 - 设计和实现支持大规模分布式训练的计算平台，优化模型训练效率和资源利用率。 - 维护和扩展现有的分布式训练框架，确保平台的高性能和稳定性（如基于 PyTorch、TensorFlow 或 JAX）。 - 集成和优化高性能计算技术（如 CUDA、MPI、NCCL 等）。
- 模型推理基础设施开发 - 构建高效的推理框架，支持大模型的在线和离线推理需求。 - 优化推理速度、内存占用和能耗，支持多种硬件架构（GPU、NPU等 ）。 - 实现PD分离、Context Caching、模型量化、推敲编码等推理优化技术。
- 性能监控与优化 - 开发工具链和监控系统，跟踪训练与推理过程的性能瓶颈。 - 分析并优化数据加载、通信效率和硬件利用率等关键环节。
- 跨团队协作 - 与模型研究团队密切合作，理解模型需求，定制训练和推理策略。 - 支持产品团队的模型部署需求，推动大模型在实际场景中的落地应用。
职位要求
基本要求： - 计算机科学、软件工程、机器学习或相关领域的本科及以上学历，硕士或博士优先。 - 深入理解深度学习原理和分布式训练框架（如 Horovod、DeepSpeed、Ray 等）。 - 熟练掌握至少一种主流深度学习框架（如 PyTorch、TensorFlow 或 JAX）。 - 熟悉高性能计算技术（CUDA、NCCL、cuDNN 等）及硬件架构（GPU、NPU 等）。 - 具有扎实的编程能力，精通 Python 和至少一种系统级编程语言（如 C++）。 优先条件： - 有参与或主导过大规模模型（如 Transformer、大语言模型）的训练和部署经验。 - 熟悉模型优化技术（如混合精度训练、剪枝、量化等）。 - 对云计算和容器化技术（如 Kubernetes、Docker、Terraform）有实际经验。 - 对新兴 AI 硬件（如 H卡）有实操经验。 - 具备优秀的系统设计和性能调优能力。
