资深AI Infra工程师

该职位来源于猎聘 岗位职责： 1、负责深度学习模型训练全流程性能优化，包括但不限于分布式训练策略设计、算子优化、通信性能提升及显存优化 2、针对大模型训练海量数据、高吞吐、低延迟的存储需求，设计并落地高性能、高可靠、可扩展的存储解决方案。 3、搭建训练性能监控与profiling体系，定位性能瓶颈并推动迭代优化。 4、与算法团队、硬件团队密切协作，理解业务需求与模型特性，定制针对性的调优与存储方案；推动训练调优、存储优化技术在业务场景中的落地，解决实际业务中的技术难题，构建训练-存储协同的高效闭环。 任职要求： 1、统招本科及以上学历，计算机科学，人工智能或相关领域专业。 2、社招5年及以上AI Infra相关工作经验，有大规模分布式训练调优、AI存储优化相关实战经验者优先； 3、熟悉PyTorch/TensorFlow等深度学习框架，熟悉框架底层源码（如PyTorch的Autograd、C10模块），能独立实现自定义算子与训练流程优化。 4、熟悉分布式训练核心原理，熟练使用DeepSpeed/Megatron-LM/FSDP等分布式训练框架，有数据并行、张量并行、MoE并行等混合并行策略落地经验；熟悉CUDA编程，熟悉NVIDIA GPU架构，能独立完成CUDA算子开发与性能调优，熟练使用Nsight、nvprof等profiling工具定位性能瓶颈；了解NCCL通信库底层实现，有RDMA、NVLink等高速互联协议优化经验者优先。 5、熟悉分布式存储、并行文件系统（如Lustre、GPFS、Alluxio）的核心原理与架构，有AI场景下存储性能优化经验；能针对大模型训练场景，解决IO瓶颈、Checkpoint性能优化、小文件读写等问题；了解存储分级策略、智能缓存设计、用户态文件系统等技术，有GPUDirect Storage相关实践经验者优先。 加分项： 1、熟悉混合精度训练、显存优化、模型压缩等相关技术 2、能独立解决训练过程中的通信瓶颈、显存溢出、存储IO异常等核心问题 3、有PyTorch/DeepSpeed/Megatron-LM等主流开源项目核心代码贡献，或OSDI/SOSP/MLSys等顶会论文发表经历者优先。 4、有国产AI芯片（昇腾/寒武纪/壁仞）训练框架适配、存储方案优化经验，或万卡集群大规模落地经验者优先。