岗位描述
1、参与大模型训练平台、任务调度系统与 GPU 集群资源管理的设计与建设，支撑大规模预训练与后训练； 2、优化数据并行、张量并行、流水线并行、序列并行等分布式训练方案，设计高可用容错与弹性训练机制； 3、深度分析计算、通信（NCCL/RDMA）、存储与数据加载瓶颈，优化集群利用率、训练吞吐与端到端训练稳定性； 4、开发高性能训练算子 、通信原语与混合精度训练方案，与算法团队协作设计硬件友好的模型结构； 5、建设训练全链路监控、故障自动诊断与研发效率工具，持续提升大模型训练效率与研发体验。