CTO-系统工程师 / 大模型基础设施方向当面告知
蚂蚁科技集团股份有限公司
2026-12-12 00:00:00
校招27届本科
岗位详情
地区：
北京
·
上海
·
杭州市
专业要求：
专业不限
岗位职责：
1. 负责大模型训练、推理、评测等核心链路中的系统工程建设，提升系统稳定性、资源效率和问题定位效率；
2. 参与计算、网络、存储等基础设施能力建设，支撑大规模模型训练、RL、SFT、推理准出等场景高效运行；
3. 深入分析系统瓶颈和稳定性问题，包括性能抖动、任务失败、资源异常、网络通信异常、存储访问异常等，并推动根因定位和长期治理；
4. 建设可观测、可诊断、可回归的系统问题分析体系，提升复杂问题的发现、定位、复现和闭环效率；
5. 与模型、训练引擎、推理框架、调度、网络、存储等团队协同，推动端到端系统优化和工程能力沉淀。
招聘要求：
1. 具备扎实的计算机系统基础，熟悉操作系统、Linux 内核、容器、调度、资源隔离、性能分析等相关技术；
2. 熟悉网络基础原理和常见问题定位方法，了解 TCP/IP、RDMA、RoCE、NCCL、集合通信、网络拥塞、丢包、抖动等问题分析优先；
3. 熟悉存储系统基础能力，了解本地盘、分布式文件系统、对象存储、缓存、I/O 性能分析、数据一致性和可用性等相关问题；
4. 具备较强的复杂系统问题解决能力，能够从现象出发，结合日志、指标、trace、系统调用、内核状态、网络和存储链路进行端到端分析；
5. 具备良好的工程能力，能够通过工具化、自动化、可观测性建设和机制设计，将单点问题沉淀为系统性能力；
6. 具备良好的跨团队协作能力，能够和模型、算法、框架、平台、基础设施团队共同推进复杂问题闭环；
7. 有大规模训练、推理服务、AI Infra、云原生基础设施、高性能计算、分布式系统稳定性建设经验者优先；
8. 有 Linux 内核、eBPF、性能分析、网络通信、分布式存储、GPU/XPU 集群、Kubernetes、NCCL/RDMA 调优经验者优先。
加分项
1. 有大模型训练或推理系统问题定位经验，能够理解训练稳定性、推理性能、资源效率和任务成功率之间的关系；
2. 有复杂线上故障处理经验，能够承担关键问题的 root cause 分析和长期治理；
3. 有系统工具、诊断平台、压测平台、故障演练、自动化巡检等工程化建设经验；
4. 具备系统性思考能力，能够从单点问题中抽象出问题类别，并推动机制化解决。
公司介绍
蚂蚁科技集团股份有限公司
蚂蚁科技集团股份有限公司，成立于2000-10-19，位于浙江，法定代表人：韩歆毅，登记状态：存续，注册资本3500000万人民币，公司类型：民营/私企
蚂蚁集团是中国较大的移动支付平台支付宝的母公司，也是全球金融科技开放平台，致力于以科技推动包括金融服务业在内的全球现代服务业的数字化升级，携手合作伙伴为消费者和小微企业提供普惠、绿色、可持续的服务，为世界带来微小而美好的改变。