词元星火-大模型训练Infra工程师-合肥(J13590)

职位描述

1、负责大规模分布式训练框架的设计、开发与优化，覆盖预训练和后训练全流程，支撑千卡/万卡级别集群的高效训练

2、优化训练性能，包括并行策略（数据并行、张量并行、流水线并行、专家并行）、通信优化、显存管理与计算重叠，针对特定模型挖掘芯片的极致性能

3、排查并解决训练过程中的性能瓶颈和稳定性问题，联合训练平台保障超大集群任务训练稳定性

4、与算法团队紧密协作，针对新模型结构提供框架层面的支持与适配

5、跟进业界前沿技术，推动训练框架在效率、成本、稳定性上的持续演进

任职要求

1、计算机、软件工程或相关专业本科及以上学历

2、扎实的编程能力

3、熟悉流深度学习框架及其分布式训练机制

4、深入理解分布式训练原理，熟悉 Megatron-LM、DeepSpeed、FSDP等主流框架中至少一种的实现细节

5、熟悉 GPU 体系结构与 CUDA 编程或者其他国产加速芯片和配套软件栈（昇腾NPU、海光DCU等），了解算子优化、混合精度训练（FP16/BF16/FP8）

6、具备大规模训练任务的性能分析与调优经验（Nsight、profiler 等工具）

加分项

1、有千卡以上规模训练或万亿参数模型训练的实战经验

2、熟悉 Triton、CUTLASS 等高性能算子开发

3、在 MoE 训练、长序列训练、训练稳定性等方向有深入实践

4、有开源社区贡献或相关技术论文发表