【岗位职责】 1. 负责大模型训练平台的整体设计与工程落地，支撑从单机到千卡级集群的训练任务高效运行； 2. 构建统一多云多端的训练平台，支持多种分布式训练模式（DDP/FSDP/ZeRO/Megatron），实现训练任务的自动化编排与弹性调度； 3. 设计高性能数据通路与存储体系（数据加载加速、缓存、分布式文件系统/对象存储、数据预取），解决大规模训练中的 I/O 瓶颈； 4. 构建训练性能优化体系（profiling、算子与通信分析、GPU 利用率），完善训练可观测性与稳定性体系（metrics/logs/traces、异常检测、自动恢复、checkpoint/容灾），支撑长时间稳定训练； 5. 同时推进平台化能力（实验管理、版本管理、CI/CD、权限与多租户隔离）、自动化训练能力，提升整体研发效率与资源利用率。 【任职要求】 1. 具备扎实的系统基础（操作系统、网络、并发/分布式系统），精通 Kubernetes 及 Go 语言；熟悉主流深度学习框架及其分布式训练机制（DDP/FSDP/ZeRO 等），理解训练过程中的计算、通信与 I/O 协同； 2. 具备集群与调度系统经验（K8s/Slurm/Ray），理解 GPU/NUMA/网络拓扑与资源调度策略； 3. 对训练性能优化有实战经验（profiling、瓶颈定位、数据加载与通信优化），能够提升 GPU 利用率与整体吞吐； 4. 熟悉存储与数据系统（如分布式文件系统、对象存储、缓存机制）优先；有大规模训练平台或生产环境经验（千卡级集群、长任务稳定性）优先； 5. 具备良好的工程抽象能力与平台化思维，能够在复杂系统中推进标准化与自动化，并对稳定性与效率负责。