大模型训推平台研发工程师（MLOps）(J20621)

AI 摘要智能生成

负责大模型训练与推理平台的后端设计与开发

职位描述

1. 负责大模型训练与推理平台的后端设计与开发，建设工作区、环境模板、任务提交、日志查询和结果管理等功能。 2. 基于 Kubernetes 及相关组件开发训练、评测和批处理任务的编排与执行管理能力，完善任务状态同步、重试、超时、取消、资源释放及异常恢复机制。 3. 建设或集成实验追踪、数据与模型版本管理能力，关联代码、运行环境、参数、评测结果和模型文件，支持实验复现与结果追溯。 4. 开发模型评测、制品交付和发布流程工具，集成身份认证、镜像仓库及持续交付系统，完善平台接口、权限及模型服务部署管理能力。 5. 开发标准化任务运行环境及执行记录管理能力，对接训练与推理框架，协同基础设施团队完成资源申请与任务状态管理，持续改善平台使用体验与运行效率。

任职要求

• 计算机、软件工程或相关专业本科及以上学历。
• 熟练掌握 Go、Python 或 Java 中的至少一种，熟悉接口设计、数据库、消息队列及异步处理，能够解决并发、幂等、状态一致性和失败恢复问题。
• 熟悉 Linux、容器与 Kubernetes，理解 Pod、Job、资源申请和任务生命周期等基本机制，具有工作流、任务系统或开发者平台建设经验。
• 理解模型开发、训练、评测和发布流程，能够开展实验追踪、模型管理、任务编排及相关平台组件的集成开发。
• 具备良好的工程实践、测试、文档和协作能力，能够与算法及基础设施团队梳理需求，并通过实际任务验证平台功能和运行效果。
• 有 MLflow、Kubeflow、Argo Workflows 或 Ray 等工具开发与集成经验，或有 Kubernetes CRD/Controller、多租户权限、评测平台、代码沙箱及 Agent 任务环境经验者优先。