职位描述：
**岗位职责：** 1. 负责万卡级异构算力集群的全局架构设计与落地，支撑千亿参数大模型训练、实时推理及超大规模视频生成等前沿AI业务，保障系统高可用、低延迟与高吞吐。 2. 深度优化分布式训练框架（如Megatron-LM、DeepSpeed）与跨节点通信拓扑，突破显存瓶颈与带宽限制，显著提升算力利用率与训练效率。 3. 设计并实现基于AI负载感知的智能调度引擎，支持多租户资源隔离、动态弹性伸缩与能耗优化，实现算力资源的精细化管理。 4. 构建端到端可观测体系，集成日志、指标、链路追踪与自愈机制，打造自动化运维能力，确保7×24小时稳定运行。 **任职资格：** 1. 本科及以上学历，计算机、电子工程或相关专业； 2. 5年以上高性能算力平台建设经验，主导过千卡以上GPU集群项目，具备万卡级系统落地经验者优先； 3. 精通NVIDIA GPU架构、CUDA、RDMA/RoCE网络及InfiniBand组网技术，熟悉PyTorch/TensorFlow分布式训练调优； 4. 具备强系统级性能分析与根因定位能力，能独立攻克复杂算力瓶颈问题。 举报