大模型训练生产SRE工程师（深圳/上海/ 北京）

1.负责大模型训练链路的稳定性治理和模型生产保障； 2.协同包括框架、算力、网络、存储等基础设施，系统建设大模型训练的诊断、可视化、自愈能力； 3.负责大模型训练生产的oncall、排障和流程优化建设。

1.熟悉大模型预训练、后训练流程，熟悉Megatron/PyTorch等框架原理； 2.熟悉GPU、NCCL集合通信和k8s/docker容器技术原理，有GPU硬件、驱动、Cuda、RDMA等调优经验； 3.有大规模任务系统故障排查、分析解决经验者优先； 4.具有强烈的工作责任心和自驱力，有良好的学习沟通能力。