AI Infra训练平台工程师【2027届校招】

AI 摘要智能生成

加入我们，你将参与国内头部自动驾驶公司万卡级GPU训练集群的构建与优化

职位描述

岗位简介 加入我们，你将参与国内头部自动驾驶公司万卡级GPU训练集群的构建与优化，直接支撑端到端自动驾驶大模型的训练迭代。在这里，你会深入PyTorch编译器、CUDA Kernel、NCCL通信库的最底层，解决千卡训练中的线性度瓶颈、显存墙和故障快速定位等硬核挑战。 岗位职责 分布式训练框架开发：参与大规模分布式训练任务的调度、编排与执行框架开发，支持数据并行、模型并行、流水线并行及混合并行策略。 训练性能极致优化：基于 PyTorch 2.x / Torch Compile / Triton 进行训练性能分析与优化，探索 FP8 混合精度、自定义 CUDA 算子、通信计算重叠等前沿加速方案。 训练稳定性保障：构建训练故障自动检测与恢复机制（慢节点定位、RDMA 异常检测、Checkpoint 智能管理），保障千卡任务长期稳定运行。 数据与存储优化：优化海量训练数据（视频、点云、图像）的预处理 Pipeline 与存储读取性能，降低数据加载对GPU利用率的影响。 GPU 集群资源调度：参与基于 Kubernetes 的 GPU 虚拟化与调度平台建设，提升集群资源利用率与任务并发度。 任职要求 2027届本科及以上学历，计算机科学、软件工程、人工智能等相关专业。 扎实的编程功底，熟练掌握 Python / C++，具备良好的代码风格与工程素养。 熟悉深度学习框架（PyTorch 优先），了解分布式训练基础概念（DDP / FSDP / Megatron）。 对计算机体系结构有基本理解（CPU / GPU 架构、内存层次、缓存机制）。 具备良好的问题分析能力、自驱力和团队协作意识。 加分项 有 CUDA / NCCL 编程或性能优化经验，熟悉 GPU 内存带宽与计算吞吐量分析。 了解 Kubernetes 及容器化技术，有 GPU 集群使用或运维经验。 熟悉 PyTorch 编译器（TorchDynamo / Inductor / Triton）或参与过相关开源贡献。 有 ACM/ICPC、NOI 等竞赛经历，或发表过系统方向（OS、分布式、体系结构）论文。

任职要求

• Python
• C++
• Kubernetes
• 深度学习