职位描述1. 训练基础设施开发：参与具身智能、多模态模型等训练基础设施建设，支持模型预训练、微调及强化学习任务，提升算法研发效率。 2. 分布式训练与性能优化：参与多机多卡训练系统开发，分析计算、通信和显存瓶颈，优化并行策略与资源利用效率，提升训练吞吐。 3. 数据流水线优化：参与训练数据读取、预处理、采样及加载模块开发，提升数据供给效率，减少训练过程中的数据等待。 4. 训练稳定性保障：参与训练任务监控、模型检查点管理、故障定位与恢复机制建设，提升训练任务的稳定性与可恢复性。 5. 研发工具与技术探索：开发训练评测、性能分析及实验管理工具，跟踪AI Infra相关开源技术，开展方案验证并推动应用。任职要求教育背景：面向应届毕业生，本科及以上学历，计算机、软件工程、人工智能、电子信息等相关专业，硕士及以上优先。 编程与计算机基础：熟练掌握Python、C++中至少一门语言，具备良好的编程习惯，掌握数据结构、操作系统及计算机体系结构基础，熟悉Linux开发环境。 深度学习基础：熟悉PyTorch等主流深度学习框架，理解模型训练、反向传播及优化器等基本原理，有模型训练或相关课程项目经验。 并行与分布式基础：了解GPU计算及分布式训练基本概念，对数据并行、张量并行、流水线并行等至少一种策略有基本认识，愿意深入学习训练系统原理。 分析与解决问题能力：能够通过日志、指标和实验分析系统问题，对性能优化有兴趣，具备严谨的验证意识和较强的动手能力。 学习与协作能力：对AI基础设施和具身智能有持续兴趣，具备良好的英文技术资料阅读能力、主动学习能力及团队协作意识。 加分项： 有多卡训练、分布式系统或高性能计算相关科研、实习及项目经历。 使用过DDP、FSDP、DeepSpeed或Megatron-LM等训练工具与框架。 有CUDA、Triton编程经验，或使用过PyTorch Profiler、NVIDIA Nsight等性能分析工具。 有数据加载、显存优化、通信优化、训练容错相关实践，或参与过相关开源项目。
