混元大模型Infra稳定性研发工程师（深圳/北京/上海/杭州）

岗位职责

1. 负责混元infra相关链路稳定性治理、规范建设；
2. 联动框架、算力、网络各模块完善关键metric采集；
3. 系统性构建故障节点、慢节点检测平台化能力；
4. 联合混元一站式建设统一的任务自动续训能力；
5. 响应并解决日常混元大模型任务的故障问题。

任职要求

1. 熟悉Megatron/PyTorch等框架的基本的训练流程；
2. 掌握GPU/NPU等工作原理、常见操作命令；
3. 熟悉RDMA网络相关硬件特性、熟悉all2all、allGather等集合通信原理；
4. 了解docker容器、存储挂载等基础知识；
5. 有大规模任务系统故障排查、分析解决经验者优先；
6. 良好沟通、团队协作能力。

产品/项目

公共

工作年限

一年以上工作经验