腾讯机器学习平台开发工程师（北京/深圳）
任职要求
1.熟练掌握TensorFlow、Pytorch、deepSpeed等主流深度学习框架中的一种或多种，并有具体的项目应用经验(包括但不限于模型训练优化、模型服务优化等经验)； 2…
工作职责
1.负责腾讯混元机器学习平台的设计与开发，包括：性能优化，持续提升训练性能，包括多机多卡大规模训练优化，数据交换优化等； 2.深入理解跟踪业界AIGC动态，优化平台技术方案，提升平台易用性，降低大模型研发门槛，不断推进平台的LLMOps能力升级； 3.积极追踪业内AI动态，优化内部技术方案，改进产品性能，不断推进AI架构升级。
1.参与腾讯太极统一GPU调度平台开发，负责万卡GPU集群配额管理、任务排队、弹性任务、跨集群等功能和性能优化； 2.优化异构AI芯片在多种任务作业之间的全局最优匹配，实现全局最佳利用率； 3.支持腾讯混元大模型、广告、视频号等众多业务场景的离线、在线GPU作业，保障平台高性能高稳定运行。
1.主导万卡级GPU集群的全局资源调度，通过精细化管理和优化策略，显著提升资源利用率，确保离线和在线任务的高效稳定运行； 2.深入优化RDMA高速网络、分布式存储与计算资源的协同调度，有效解决大规模训练任务中的性能瓶颈，提升整体计算效率； 3.基于Kubernetes、Docker等云原生技术，构建高可用调度框架，全面支持分布式训练框架，实现任务编排、容灾与混部能力，并深入K8s调度器、CSI插件及CRD的开发，推动大规模训推技术的实际落地； 4.积极探索混合云、虚拟化、ARM异构计算等前沿方向，不断推动技术与平台能力的升级和创新。
1.负责大模型全模态从训练到推理部署的全流程工作，在机器学习平台上引入并优化前沿算法和技术，以推动工程与模型性能的提升和业务的落地。专注于以下一个或多个方向：； 2.训练数据构建与优化：开发自动化工具和智能算法，以优化多源数据的获取、清洗、配比和合成，提升训练数据的质量和效率； 3.模型训练与优化：设计和实现训练流程自动化工具，包括超参数优化、训练早停策略、模型选择等，以提高训练效率和模型性能； 4.强化学习与后训练优化：研究和应用强化学习算法，包括异步方法、长思考推理模型训练等，以提升模型的样本效率和稳定性； 5.Agentic RL应用：利用Tool-integrated Reasoning等技术解决复杂业务问题，搭建适用于不同场景的Agentic RL框架。
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