腾讯腾讯云-云网络控制面 SRE 工程师
任职要求
1.计算机/通信相关专业本科以上学历，5 年以上工作经验；有大型互联网业务 系统、高并发、高可用系统的运维/开发经验； 2.熟悉常见的开源技术组件（Redis、Kafka、MySQL、ZK、ES等）；熟练使用Git、CI/CD等工具； 3.熟悉 GO语言，有扎实的算法基础…
工作职责
1.负责腾讯云网络控制面的日常运维、需求沟通及架构设计等工作； 2.负责腾讯云网络控制面自动化运维体系的建设，依托运维经验提供有效的建议及支撑； 3.制定并实施系统可靠性提升方案，优化系统架构与部署，增强系统在高并发场景下的可用性和容错能力。
1.负责腾讯云网络控制面的日常运维、需求沟通及架构设计等工作； 2.负责腾讯云网络控制面自动化运维体系的建设，依托运维经验提供有效的建议及支撑； 3.制定并实施系统可靠性提升方案，优化系统架构与部署，增强系统在高并发场景下的可用性和容错能力。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地。 3、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。
【业务介绍】 我们是小红书内稠密类模型（LLM/MLLM/SD/CV/NLP）统一的AI平台QuickSilver，负责调度公司内所有稠密类模型训练与推理资源，基于自建的训推引擎，为公司所有AI算法同学迭代业务模型提供端到端一站式AI服务；包括数据管理，模型管理，模型训练、压缩、推理、部署，服务管理，资源调度等一系列能力。 工作职责： 1、负责稠密类模型训练推理开发平台的架构设计和核心功能研发 2、设计和实现大模型训练部署流程，包括模型fine-tuning、推理服务化等 3、构建云原生架构，设计高可用、高性能的微服务体系 4、优化平台性能，提升系统稳定性和可扩展性
1、负责模型训练平台核心功能开发和架构设计，包括传统CN/NLP/SD/LLM等多场景支持 2、负责大模型后训练工具平台化建设，包括后预训练、微调、对齐等技术落地 3、设计和实现高性能分布式训练系统，打造端到端训练解决方案 4、优化训练调度和资源管理，提升集群利用率和训练效率 5、开发模型训练监控诊断工具，建设可观测性体系