腾讯混元大模型Infra稳定性研发工程师（深圳/北京/上海/杭州）
任职要求
1.熟悉Megatron/PyTorch等框架的基本的训练流程；
2.掌握GPU/NPU等工作原理、常见操作命令；
3.熟悉RDMA网络相关硬件特性、熟悉all2all…工作职责
1.负责混元infra相关链路稳定性治理、规范建设； 2.联动框架、算力、网络各模块完善关键metric采集； 3.系统性构建故障节点、慢节点检测平台化能力； 4.联合混元一站式建设统一的任务自动续训能力； 5.响应并解决日常混元大模型任务的故障问题。
1.制定大模型后训练分Topic数据策略，搭建数据质量评估体系与数据生产标准，针对性优化数据短板，提升模型训练效果； 2.全面管理数据合成、数据质检、数据标注、数据运营小组，负责团队搭建、流程制定、任务统筹与绩效管控，保障数据高效高质量交付； 3.协同算法、研发团队，对齐模型训练需求，落地数据优化方案，跟进数据-模型效果联动优化，推动数据生产智能化升级； 4.把控数据合规与安全，统筹数据项目进度与目标达成，定期复盘数据质量与团队效能。
1.负责语音/音频大模型研发，包括音频理解（ASR/音频caption）、音视频理解等模型研发； 2.负责预训练、后训练、强化学习（文本和音频强化）相关的数据、算法、评测工作； 3.负责音频理解/ASR模型开源以及产品落地（比如产品全链路端到端优化、音频理解在噪音/口音/远场/音效音乐场景的优化）。
1.一站式AI Infra底座体系建设：围绕混元大模型全链路研发流程，统筹设计模型训练、效果评测、服务部署、底层调度、版本迭代的一站式平台产品能力，构建标准化、可复用、高效率的模型研发基础设施，支撑内部模型规模化、常态化迭代交付； 2.大模型评测体系产品化落地：负责AI评测平台核心能力搭建与体系升级，深度对齐通用/专业Benchmark评测标准、评测数据集管理、评测任务编排、多版本模型对照、效果归因分析等全流程产品设计，搭建标准化、自动化、可追溯的模型质量评估闭环，保障混元模型迭代精度与效果稳定性； 3.跨团队技术需求治理与项目落地：深度对接算法研发、AI工程、框架团队、算力平台等核心角色，拆解复杂技术诉求、沉淀通用产品能力、输出完整方案与PRD，持续推进平台能力落地、流程提效、体验升级与技术壁垒沉淀； 4.平台效能优化与长期规划：持续复盘模型研发链路瓶颈，针对训练调试成本高、评测链路碎片化、部署迭代低效等问题，输出体系化产品解法，推动AI研发流程标准化、自动化、集约化建设。