训推测试开发工程师(J10733)

职位描述

欢迎加入摩尔线程，我们专注于在大规模GPU集群上，保障AI大模型训练和推理的产品质量，通过构建领先的测试平台，确保万卡规模的模型训推性能和稳定性等，为国产大模型的发展助力。加入我们，一起探索技术的无限可能！

1. 大规模分布式训练稳定性策略开发及调试。

2. 大规模分布式训练可观测体系的开发及优化。

3. 大模型训练的接入及开发。

4. 提供远程或现场的技术支持，解决客户在进行大规模分布式训练中遇到的技术问题。

5. 编写和维护技术文档，包括故障排除指南、用户手册和最佳实践。

6.调研业界最新的分布式训练技术及方案。

7. 深度参与研发产品特性开发，为研发产品支持新特性。

任职要求

● 计算机科学、软件工程、电子工程或相关领域的本科及以上学历。

● 良好的逻辑思维能力，精通计算机数据结构和算法，熟悉软件测试理论；

● 熟悉至少一种编程语言，如GoLang、Python等。

● 了解云原生体系，对 Kubernetes，Docker有一定的了解。

● 了解大模型训练，对当前最新大模型如Llama、Qwen、ChatGLM 等有一定的了解或接触。

● 接触过机器学习框架(有使用经验更优)，如PyTorch、Megatron-LM、DeepSpeed、Colossal-AI 等。

● 对大规模分布式训练和模型推理感兴趣，期待做有挑战性的事情；有 owner 意识，具备团队合作的能力。