The posting
我们正在建设支撑大模型训练的训练平台,围绕训练稳定性与全链路可观测两个方向,打造故障感知、断点续训、资源调度与智能诊断等核心能力。作为校招同学,你将在这个真实的大规模 GPU 集群场景中,参与核心系统从设计到落地的完整过程。 1.参与训练稳定性建设:开发节点异常检测能力(卡顿、OOM、网络抖动、硬件故障等),以及断点续训(Checkpoint & Resume)能力,保障训练任务可安全中断与恢复。 2.参与资源调度与性能优化:开发任务重调度与迁移策略,缓解慢节点(Straggler)问题,提升集群利用率。 3.参与全链路监控建设:覆盖硬件层(GPU/CPU/网络/存储)、系统层(容器/调度器)、框架层(通信/IO)到算法层(Loss/吞吐)的可观测体系。 4.参与异常诊断与根因分析:开发性能瓶颈定位、指标下钻与告警看板,沉淀可复用的诊断规则与处理流程。 5.参与框架适配与工具化:支持 PyTorch / DeepSpeed / Megatron 等主流训练框架的容错与监控适配,与算法团队协作落地。 6.十万卡级 GPU 调度系统建设: 参与大规模 GPU 集群调度系统建设,围绕 Quota、优先级、抢占、弹性伸缩、碎片整理、拓扑感知调度等能力提升资源效率。 7.前沿技术探索: 持续关注 Kubernetes、Volcano、Kueue、Ray、GPU 虚拟化、弹性调度等相关技术,探索下一代 AI 资源调度系统。
1.学历专业:本科及以上学历,计算机科学、软件工程、人工智能、自动化等相关专业。 2.编程能力:熟悉 Python 语言,具备扎实的数据结构与算法基础,了解多进程/异步编程,有良好的编码习惯。 3.系统基础:了解 Linux、Docker、Kubernetes 等基本概念,对分布式系统原理有基本认识。 4.学习能力:对底层系统与性能问题有钻研兴趣,能快速上手新框架与新技术。 5.软素质:有团队协作意识,责任心强。有良好的沟通协作能力,能与平台、云原生、算法、业务、IDC、网络和存储团队协同推进复杂项目。 加分项: 1.接触过 AI 训练平台或相关组件,如 PyTorch Distributed、DeepSpeed、Megatron、Kubeflow、vLLM 等。 2.熟悉云原生生态及调度工具,如 Kubernetes、Volcano、Kueue、Ray等,有调度系统开发经验优先。 3.了解大模型训练、后训练、推理、部署等生命周期,理解不同负载对 GPU 资源、网络、存储和调度策略的差异化诉求。 4.了解 GPU 显存管理、NCCL 通信优化、梯度压缩等底层技术。熟悉 RDMA、IB、RoCE、NCCL 等通信机制,能结合网络拓扑优化调度策略。 5.有 ACM 等编程竞赛获奖、开源项目贡献、技术博客输出或相关实习/科研项目经历。



