地平线【地瓜机器人】算力平台工程师

工作描述

任职要求
核心技能  
1. 5 年以上 AI Infra / 云原生平台 / 机器学习平台 / 后端工程 / 基础架构相关经验，具备 3 年以上 Kubernetes、AI 平台、PaaS 平台、算力调度平台或分布式训练平台建设经验。  
2. 熟悉 Kubernetes 基础能力，理解 Pod、Job、CRD、Operator、镜像、存储挂载、资源配额、调度策略等机制，具备容器化任务排查和平台集成经验。  
3. 熟悉 AI 算力调度系统，有 Volcano / Slurm / Kueue / Ray / YARN 等一种或多种系统的使用、运维、平台集成或开发经验。  
4. 熟悉 GPU 资源管理与调度机制，理解 GPU 资源分配、显存隔离、MIG、GPU 共享、拓扑感知调度、队列调度、Gang Scheduling、弹性调度等常见场景。  
5. 熟悉云原生分布式训练平台相关生态，具备 Kubeflow、Volcano、Kueue、Argo Workflows、Ray、Slurm 等一种或多种系统的实际使用或平台集成经验，理解分布式训练任务的提交、编排、调度、监控、重试、弹性伸缩等核心机制。  
6. 熟悉 PyTorch 分布式训练机制，理解 DDP、FSDP、Tensor Parallel、Pipeline Parallel、Data Parallel、ZeRO 等常见并行训练策略。  
7. 熟悉 NCCL / MPI / Gloo 等通信机制，具备分布式训练通信问题排查经验，能够定位 NCCL 超时、Rank 异常、通信性能差等问题。  
8. 具备 Go / Python / Shell 至少一种语言的开发能力，能够独立开发平台后端服务、…