AI异构硬件训练优化专家-Seed

职位描述

团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。

Seed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。

1、该岗位面向超大规模AI加速卡集群，负责豆包Seed自研LLM模型训练任务的性能优化与稳定性建设，深度参与训练框架、通信链路、算子库和集群调度等核心环节，支撑万卡规模训练任务高效、稳定运行；

2、训练框架优化：优化数据并行、张量并行、流水并行、专家并行和混合并行策略，提升端到端训练吞吐与扩展效率；

3、集群性能与稳定性：围绕计算、通信、显存、调度、Checkpoint、容错恢复等链路，解决静默数据错误、网络抖动、通信瓶颈和异常定位问题；

4、软硬件协同优化：推动训练框架、算子库、通信网络、编译栈和计算架构协同，使超大规模AI加速卡集群稳定承载LLM训练。

任职要求

1、计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；

2、熟悉Linux环境下的C/C++或Python，具备扎实的编程能力和工程习惯；

3、熟悉计算机体系结构、芯片微架构、高性能计算、分布式系统、并行计算中的至少一个方向；

4、了解PyTorch、Megatron、DeepSpeed、FSDP、TorchTitan等训练框架或分布式训练系统中的至少一种；

5、关注训练中的吞吐、显存、通信、扩展效率、任务稳定性和异常定位问题。

加分项：

1、有GPU/NPU集群LLM训练优化、分布式训练框架、通信库优化经验；

2、熟悉NCCL、HCCL、RDMA、RoCE、集合通信、通信计算融合或网络性能分析；

3、了解MoE训练、混合精度训练、ZeRO、Checkpoint优化、容错恢复、长周期稳定训练相关技术；

4、有静默数据错误定位、硬件故障分析、集群稳定性建设、训练任务调优经验；

5、有OI/ACM、HPC竞赛、系统竞赛、科研项目或开源项目经历。