岗位描述
为什么加入我们 1. 参与 MiniMax 大模型训练与推理基础设施建设，让 CPU、GPU、NPU 等异构算力得到更高效、更稳定的利用。 2. 面向真实的大规模 AI 集群，深入解决资源调度、硬件故障、跨系统协同和自动化运维等系统级问题。 3. 在导师和资深工程师指导下，参与核心后端系统从设计、研发到上线运行的完整流程，快速积累分布式系统与基础设施工程经 验。 我们在做什么 算力平台是 MiniMax 模型训练和推理的基础底座。我们围绕异构资源管理、集群调度、硬件健康和故障自动化，建设高效、可靠、易用的 AI 基础设施。 这不是普通的后台业务开发，而是面向大规模 AI 集群的资源与可靠性工程。你将参与统一资源模型、资源池化、拓扑感知、故障发现、维修协作、自动验收和资源恢复等系统建设，让每一份算力都能被更充分地利用。 你将做什么 1. 参与 CPU、GPU、NPU 等异构资源的统一建模、资源池化和拓扑感知能力建设，提升资源分配与使用效率。 2. 设计并实现硬件健康管理能力，支持异常检测、资源隔离、故障处置和自动恢复。 3. 参与故障管理平台研发，建设工单流转、任务分配、操作审计、消息通知及外部系统集成能力。 4. 设计跨系统交互和异步任务机制，处理重复请求、接口超时、回调乱序、部分成功和异常补偿等问题。 5. 参与服务发布、数据库变更、自动化测试、端到端验收、监控告警和故障复盘，持续提升系统可靠性与交付质量。