AI Infra 平台研发工程师-故障治理
MiniMax · 上海
来源：MiniMax 官方招聘 · 更新于 2026-10-23 · 抓取快照，投递前请确认岗位仍在招
岗位描述
岗位介绍 面向大模型训练与推理，集群资源调度、高性能网络，以及集群与模型的协同设计，是提升算力利用效率和整个 AI 基础设施系统稳定性的关键。 本岗位便是属于集群资源调度方向，重点建设面向 GPU 集群与裸金属基础设施的故障发现和自动化处置系统，打通故障信号、资源状态、任务执行与恢复验证的完整链路。你将负责核心控制器与故障处理工作流的设计和研发，使故障处理过程可追踪、可恢复，为资源调度和训练推理任务的稳定运行提… 1. 设计并运维硬件健康管理系统，实现异常硬件的自动检测、隔离与故障处置，提升集群 MTBI，最大限度减少因故障而无法有效利用的算力资源。 2. 负责故障发现与处理链路研发，打通集…
关于 MiniMax
同公司其他岗位
全部在招岗位 →加载中…
相似岗位
数据来源：腾讯招聘官方接口 + 美团招聘官方接口 + 网易招聘官方接口 + 字节跳动招聘官方接口 + 各企业官方招聘接口 · 更新于 2026-11-10，为快照数据，可能已变动。 请以 官方职位页面 为准。