工作职责:1. 负责大规模GPU集群的管理与训练系统建设，包括任务调度、资源管理、训练框架适配与性能优化。2. 解决超大规模训练任务中出现的稳定性、网络通讯、NCCL通讯、断点恢复等问题，构建训练全链路可观测体系。3. 针对不同GPU型号，进行算子适配和算子调优，实现慢节点自动检测与故障自愈。4. 针对不同训练场景、集群环境，设计自动化运维工具，持续优化训练方案与GPU有效利用率。5. 与算法、数据、平台紧密配合，打造一套高效的训练生态，推动训练成本优化。工作要求:工作要求1. 精通C++、Rust、Python等任意一门语言，C++更佳，具备良好的系统设计与工程实现能力。2. 熟悉Megatron、DeepSpeed、PyTorch、FSDP等一种或者多种训练框架的底层原理。3. 有真实GPU训练任务调优经验，解决过训练中出现过的慢节点、机器故障、网络拥塞等问题。4. 在大规模训练任务中，有过算子调优、精度验证、CUDA优化、训练策略优化（ZeRO/TP/PP/DP/EP）等经验。5. 有RDMA网络、高性能存储、NCCL通讯等方面的经验，熟悉Linux系统编程。加分项1. 社区开源训推框架贡献者，包括但不限于Megatron、DeepSpeed、SGLang、vLLM等；2. 有大规模音视频生成与理解模型的训练/推理优化经验，如视频生成、多模态理解等方向；3. 有大规模MoE（Mixture of Experts）与Diffusion Transformer（DiT）模型的训练性能优化、显存优化、通信优化等实战经验；4. 有千卡/万卡GPU任务训推经验， 有H卡、B卡针对性调优经验

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录