岗位描述 岗位描述 1. 深入优化大模型端到端训练链路，系统分析计算、通信、内存、数据供给与集群运行效率，解决大规模训练中的性能瓶颈，提升算力利用率和训练迭代速度。 2. 参与不同计算硬件的训练框架适配与性能优化，推动模型、框架、通信和硬件之间的协同设计。 3. 跟踪并探索分布式训练、RL Infra及高性能计算领域的前沿技术，推动创新方案从原型验证走向生产应用，形成技术报告、专利、开源成果或高水平论文。 加分项： 1. 具有异构硬件适配、编译器、通信库或软硬件联合优化经验。 2. 具有千卡及以上模型训练经验，负责过大规模训练任务的稳定性或性能优化。 3. 为 Megatron、Deepspeed、verl 等项目贡献过核心代码。 4. 在 mlsys等会议发表过相关论文。 任职要求 1. 硕士及以上学历，计算机、人工智能、数学等相关专业 2. 具有生产级大模型训练系统研发经验，实际解决过训练吞吐、规模扩展、Loss异常、任务长尾、节点故障、OOM或断点恢复等问题。 3. 具备良好的技术判断和跨团队推动能力，能够与算法、模型、集群、硬件等团队协作，推动复杂系统问题形成闭环。