大模型训练工程专家-稳定性方向

岗位描述

一、一句话定位 为大模型「预训练 + 后训练」的基础设施稳定性与效率负总责的资深工程师——横向拉通 GPU 算力、RDMA 网络、通信库、高性能存储、集群调度、训练任务生命周期等多个技术域，确保大规模训练不中断 / 少中断，并持续把有效训练算力（MFU / ETTR）做上去。 二、为什么这个岗位重要 大模型训练是公司最核心、最烧算力的战役。训练稳定性直接决定旗舰模型能否按期炼成。 这是一个端到端 Owner 岗… 我们期望你具备（任职要求） 1. 5 年以上相关经验，且有**大规模 GPU 集群（千卡级及以上）**训练稳定性 / AI Infra 的一线实战。 2. 在以下方向中至少 2–3…