职位描述
1. 负责多模态训练基础设施的整体架构设计与技术规划，主导Infra方案的落地实施；
2. 搭建并优化大规模训练系统，确保千/万卡级别集群的高效稳定运行；
3. 主导训练框架的选型、优化与二次开发，持续提升训练效率与资源利用率；
4. 带领团队解决训练过程中的系统瓶颈问题，包括通信、存储、调度等关键环节；
5. 与算法团队紧密协作，推动训练流程的工程化与自动化建设。任职要求
1. 本科及以上学历，计算机、软件工程等相关专业，有大规模训练项目经验；
2. 深入理解大模型预训练原理，熟悉Transformer架构及主流大模型训练流程；
3. 精通分布式训练原理，熟悉Megatron-LM、FSDP等主流分布式训练框架；
4. 熟悉GPU集群架构、高性能网络（RDMA/InfiniBand）、并行存储系统；
5. 熟悉NCCL/Gloo等通信库原理，有通信优化经验；
6. 具备较强的技术视野和团队管理能力，能够带领团队攻克技术难题。
加分项
1. 有开源社区贡献或技术影响力。
