软件工程师，工作负载赋能
岗位摘要
在新平台/SKU到货时，移植并验证关键推理和训练工作负载，推动其正确性、性能和稳定性达到内部就绪标准；构建基准测试和压力测试套件，通过覆盖CPU、GPU、内存子系统、前端、纵向扩展和横向扩展网络（包括WAN流量、NVLink和RDMA集合通信）、存储、散热等各方面，捕获工作负载真实的端到端行为
岗位职责
- 在新平台/SKU到货时，移植并验证关键推理和训练工作负载，推动其正确性、性能和稳定性达到内部就绪标准
- 构建基准测试和压力测试套件，通过覆盖CPU、GPU、内存子系统、前端、纵向扩展和横向扩展网络（包括WAN流量、NVLink和RDMA集合通信）、存储、散热等各方面，捕获工作负载真实的端到端行为
- 深入分析分布式训练/推理性能，包括跨NCCL/RCCL和内部库的集合通信性能与调优
- 研究计算与通信的重叠、内核级瓶颈、内存带宽与调度效应
- 创建可在CI/实验室环境中运行的可重复测试框架，并产出可操作结果（通过/失败、性能评分、回归检测）
- 与系统和集群上线工程师合作，确保平台不仅稳定高效，还具备运营可用性和可扩展性（容器化、K8s集成、遥测钩子、故障分诊闭环）
- 与供应商和内部利益相关方跨职能协作，提供清晰的缺陷报告、最小复现和优先级问题列表
任职要求
- 计算机科学/电子工程学士学位，或同等实践经验
- 在机器学习系统、性能工程、分布式系统或高性能计算中一个或多个领域拥有5年以上经验
- 具备PyTorch和现代LLM训练/推理栈的扎实实践经验
- 熟悉大规模分布式训练概念，包括数据/模型/流水线并行和集合通信
- 具备RDMA经验，以及调试/优化通信库（NCCL或RCCL）及其与硬件/网络交互的能力
- 精通Python，并能阅读/编写性能关键代码（C++/CUDA/HIP者优先）
- 具备强大的性能剖析/调试技能（如Nsight、rocprof、perf、火焰图；能够根据trace/计数器进行推理）
- 优先：构建与生产行为相关的工作负载型基准和压力/故障测试，而不仅是合成循环或微基准
- 优先：熟悉RDMA网络和传输调优；理解网络拓扑和拥塞如何影响集合通信
- 优先：具备在Kubernetes中运行和验证工作负载的经验，并能将“研究代码”转化为稳健、可重复的基础设施
- 优先：具备早期硬件（新网卡、新GPU/加速器、早期机架）的动手实验室经验