超算集群研发工程师
岗位摘要
负责异构集群的训推一体平台开发，解决CPU/GPU/NPU等资源的抽象、池化与拓扑感知，提高平台易用性；持续优化调度算法，在任务优先级、系统吞吐、排队延迟与资源利用率之间取得均衡；负责AI超算集群网络的拓扑设计、路由策略、多路径负载均衡和拥塞控制，深入研究RDMA（RoCEv2/InfiniBan…
岗位职责
- 负责异构集群的训推一体平台开发，解决CPU/GPU/NPU等资源的抽象、池化与拓扑感知，提高平台易用性
- 持续优化调度算法，在任务优先级、系统吞吐、排队延迟与资源利用率之间取得均衡
- 负责AI超算集群网络的拓扑设计、路由策略、多路径负载均衡和拥塞控制，深入研究RDMA（RoCEv2/InfiniBand）协议栈，与通信算子、存储团队配合，提供高性能网络的最优底层支撑
- 排查各种基础组件在大规模训练和推理任务中的故障，进行问题定位和调优
- 从集群视角（CPU/GPU/网络/操作系统）分析大规模并行系统中的性能抖动、长尾延迟以及快慢节点等系统性问题，支撑集群高效使用
- 构建大规模训练任务的自动容灾机制
- 从模型架构与训推需求出发，深入分析计算、通信与存储特征，规划与之适配的集群架构与网络拓扑，持续跟踪评估AI加速器、智能网卡及新兴硬件，保持技术前沿
- 将前瞻研究转化为具体的落地实施方案，细化集群与网络设计，协同数据中心团队完成建设，实现硬件、网络与模型的高效适配
任职要求
- 具备扎实的计算机体系结构基础，深刻理解计算机组成、操作系统、计算机网络等核心原理，能够从硬件微架构、访存子系统到片上和网络互联架构系统性地思考和定位计算规模大幅提升后带来的性能优化与复杂性问题
- 熟悉C/C++/Rust/Python之一，具备优秀的设计能力、极强的动手和工程能力以及代码质量意识
- 对分布式系统有深刻理解与实践经验，如熟悉分布式任务调度与资源编排，或能设计高性能、高可用的系统架构
- 对性能优化有较高热情，发自内心地想要跑满所有计算资源，榨干每一份算力
- 具备良好的中文沟通能力和团队协作能力
- 本科及以上学历，工作经验不限
福利待遇
- 薪资区间为35-65K/月，并提供14薪薪酬结构
- 工作地点位于北京海淀区融科资讯中心
工作地址
北京海淀区融科资讯中心融科资讯中心