职位描述
岗位职责：
1、负责千卡级GPU集群上视频生成（VideoGen）/VLM多模态大模型的分布式训练架构设计与性能优化，提升训练吞吐与稳定性；
2、攻克大规模训练中的通信/显存/计算瓶颈，优化数据并行、模型并行、流水线并行等策略，支撑超长视频训练；
3、搭建千万小时级海量视频/多模态数据的高效存储、索引与加载流水线（streaming pipeline），设计高性能dataloader与多级缓存机制，消除IO瓶颈；
4、建立训练任务的全链路监控、profiling与自动故障恢复体系，保障长时间训练任务的连续性与资源利用率；
5、持续跟进业界前沿的分布式训练与数据调度技术，推动基础设施架构演进。任职要求
任职要求：
1、统招硕士及以上学历，计算机相关专业，5年以上AI训练基础设施/高性能计算相关经验；
2、有千卡级以上大规模分布式训练实战优化经验，深入理解分布式并行策略及底层通信/存储原理；
3、熟悉PyTorch分布式训练底层实现，有框架/通信库二次优化经验者加分；
4、有千万小时级视频或多模态数据的存储、索引、预处理及高性能加载实战经验，熟悉cached dataloader/streaming pipeline设计；
5、精通集群资源管理与任务调度，熟练使用性能profiling工具定位系统瓶颈；
6、工程能力强，Python/C++扎实，系统设计功底好；
7、有视频生成、世界模型、多模态预训练核心Infra背景者优先。
加分项：
有千卡级训练稳定性优化/故障自动恢复体系建设经验；
熟悉Ray、SLURM、Kubernetes等调度系统；
有FasterTransformer/vLLM/Triton等推理/训练加速库经验。
团队亮点：
核心方向，算力资源充足，技术挑战大；
与顶尖算法团队紧密配合，技术影响力广；
发展空间大
