大模型训练框架工程师
岗位摘要
负责强化学习训练与推理基础设施的设计、开发与优化；负责分布式训练、任务调度、权重同步、热更新等核心链路建设；持续优化系统性能，包括吞吐、时延、GPU利用率和训练效率等指标；建设稳定性与可观测能力，定位并解决OOM、超时、通信瓶颈和一致性问题
岗位职责
- 负责强化学习训练与推理基础设施的设计、开发与优化
- 负责分布式训练、任务调度、权重同步、热更新等核心链路建设
- 持续优化系统性能，包括吞吐、时延、GPU利用率和训练效率等指标
- 建设稳定性与可观测能力，定位并解决OOM、超时、通信瓶颈和一致性问题
- 参与Agent强化学习相关训练与系统支持工作，推动训练框架适配更复杂的Agent场景
任职要求
- 熟悉PyTorch、CUDA、NCCL和Linux，理解分布式训练与推理系统基本原理
- 了解RLHF或相关训练方法，对PPO、DPO、GRPO、Agent RL等方向有实际经验或较强理解
- 具备性能分析、问题排查和系统优化经验，能独立定位复杂问题
- 熟悉AI Coding，有使用或建设代码助手、自动化研发工具或Coding Agent的经验
- 有代码品味，对工程质量有要求，乐于学习新技术、新工具和新方法
加分项
- 有大模型训练或推理系统相关经验
- 有多机多卡、集群训练或在线服务稳定性治理经验
- 对 Agent、推理优化、系统架构演进有持续兴趣
工作地址
北京海淀区大恒科技大厦南座12楼