返回岗位列表

GPU RAS工程师

查看原岗位

地点：上海薪资：40-55K 日期：2026-03-03

岗位摘要

设计并实现GPU错误上报、隔离、诊断与恢复机制，压缩MTTD/MTTR；构建覆盖预测、诊断、自愈的GPU/CPU集群全链路稳定性体系；攻关硬件与分布式软件栈交叉疑难问题，沉淀系统化解决方案

岗位职责

设计并实现GPU错误上报、隔离、诊断与恢复机制，压缩MTTD/MTTR
构建覆盖预测、诊断、自愈的GPU/CPU集群全链路稳定性体系
攻关硬件与分布式软件栈交叉疑难问题，沉淀系统化解决方案
优化集群SLA，主导复杂故障根因分析与架构改进

任职要求

计算机、电子、软件等相关专业本科及以上学历
3年以上系统可靠性、硬件可靠性或容错系统经验
精通C/C++及Linux内核驱动开发，熟悉AER、RAS等硬件错误上报机制
熟悉PCIe、NoC互联错误处理，具备故障隔离与恢复设计经验
有GPU/AI加速器RAS或数据中心集群运维经验者优先

加分项

有GPU、AI加速器或其他并行计算硬件的RAS设计经验
熟悉数据中心CPU、GPU集群的运维和故障处理流程
了解超节点架构下的故障影响控制
具备跨节点通讯软硬协同容错方案设计经验
郑女士刚刚活跃

福利待遇

参与前沿GPU集群稳定性核心技术，直面AI大模型与超算挑战
与顶级架构师协作，快速积累高价值疑难问题攻关经验
上海核心地段办公，技术氛围浓厚，职业发展路径清晰

工作地址

上海浦东新区长泰广场B座12楼