混元大模型Infra稳定性研发工程师（深圳/北京/上海/杭州）

1.负责混元infra相关链路稳定性治理、规范建设； 2.联动框架、算力、网络各模块完善关键metric采集； 3.系统性构建故障节点、慢节点检测平台化能力； 4.联合混元一站式建设统一的任务自动续训能力； 5.响应并解决日常混元大模型任务的故障问题。

1.熟悉Megatron/PyTorch等框架的基本的训练流程； 2.掌握GPU/NPU等工作原理、常见操作命令； 3.熟悉RDMA网络相关硬件特性、熟悉all2all、allGather等集合通信原理； 4.了解docker容器、存储挂载等基础知识； 5.有大规模任务系统故障排查、分析解决经验者优先； 6.良好沟通、团队协作能力。