大模型训练框架工程师

职位描述

训练顶尖大模型不仅依赖算法创新，也依赖稳定、高效、可扩展的训练系统。随着模型规模和训练复杂度持续提升，训练效率、并行策略、通信开销、显存管理、Checkpoint、容错恢复、大规模数值正确性保证和系统稳定性，都会直接影响模型迭代速度和能力上限。

我们正在建设 MiniMax 大模型训练框架，支撑更大规模、更高效率、更稳定的训练任务。你将与算法团队在模型架构设计和训练方案制定阶段深度协作，从系统视角参与技术判断，识别潜在瓶颈，并推动训练系统持续优化。

你会参与：

- 建设和优化大规模训练框架，支撑千卡/万卡级别训练任务；

- 优化数据并行、张量并行、流水线并行、专家并行等并行策略；

- 解决大规模训练中的通信、显存、Checkpoint、容错恢复、数值正确性校验和稳定性问题；

- 分析模型结构、训练策略与系统效率之间的关系，提升训练吞吐、资源利用率和迭代效率；

- 跟进 PyTorch、Megatron-LM、DeepSpeed、TorchTitan 等训练框架及相关前沿工作，并结合实际训练场景落地。

我们希望你在分布式系统、GPU 性能优化、并行计算、通信优化、训练框架或系统稳定性等方向具备扎实积累，同时对大模型训练系统保持持续兴趣，愿意面对真实复杂系统中的高难度问题。

任职要求

基本要求：

- 编程能力扎实，具备清晰的系统设计思路和良好的工程品味；

- 对大模型训练系统、分布式系统、并行计算、GPU 性能优化或大规模数值正确性保障中的某一方向有深入理解；

- 能够独立定位系统问题，提出可落地的优化方案并推动实施；

- 关注算法与系统前沿，能够将论文或开源框架中的思路转化为工程判断。

加分项：

- 熟悉 PyTorch、Megatron-LM、DeepSpeed、Colossal-AI、TorchTitan 等训练框架，并有深入使用或贡献经验；

- 有千卡/万卡规模训练系统经验；

- 熟悉 NCCL、RDMA、CUDA、Triton、通信优化、显存优化、Checkpoint 优化、大规模训练数值稳定性与正确性保障等技术；

- 有 MoE 训练、长序列训练、混合并行策略优化或训练稳定性治理经验。