混元大模型Infra稳定性研发工程师（深圳/北京/上海/杭州）

Job description

Responsibilities

• 负责混元infra相关链路稳定性治理、规范建设；
• 联动框架、算力、网络各模块完善关键metric采集；
• 系统性构建故障节点、慢节点检测平台化能力；
• 联合混元一站式建设统一的任务自动续训能力；
• 响应并解决日常混元大模型任务的故障问题。 Requirements
• 熟悉Megatron/PyTorch等框架的基本的训练流程；
• 掌握GPU/NPU等工作原理、常见操作命令；
• 熟悉RDMA网络相关硬件特性、熟悉all2all、allGather等集合通信原理；
• 了解docker容器、存储挂载等基础知识；
• 有大规模任务系统故障排查、分析解决经验者优先；
• 良好沟通、团队协作能力。