文远知行AI Infra训练平台工程师【2027届校招】
任职要求
2026届本科及以上学历，计算机科学、软件工程、人工智能等相关专业。 扎实的编程功底，熟练掌握 Python / C++，具备良好的代码风格与工程素养。 熟悉深度学习框架（PyTorch 优先），了解分布式训练基础概念（DDP / FSDP / Megatron）。 对计算机体系结构有基本理解（CPU / GPU 架构、内存层次、缓存机制）。 具备良好的问题分析能力、自驱力和团队协作意…
工作职责
岗位简介 加入我们，你将参与国内头部自动驾驶公司万卡级GPU训练集群的构建与优化，直接支撑端到端自动驾驶大模型的训练迭代。在这里，你会深入PyTorch编译器、CUDA Kernel、NCCL通信库的最底层，解决千卡训练中的线性度瓶颈、显存墙和故障快速定位等硬核挑战。 分布式训练框架开发：参与大规模分布式训练任务的调度、编排与执行框架开发，支持数据并行、模型并行、流水线并行及混合并行策略。 训练性能极致优化：基于 PyTorch 2.x / Torch Compile / Triton 进行训练性能分析与优化，探索 FP8 混合精度、自定义 CUDA 算子、通信计算重叠等前沿加速方案。 训练稳定性保障：构建训练故障自动检测与恢复机制（慢节点定位、RDMA 异常检测、Checkpoint 智能管理），保障千卡任务长期稳定运行。 数据与存储优化：优化海量训练数据（视频、点云、图像）的预处理 Pipeline 与存储读取性能，降低数据加载对GPU利用率的影响。 GPU 集群资源调度：参与基于 Kubernetes 的 GPU 虚拟化与调度平台建设，提升集群资源利用率与任务并发度。
1. 立足AI Agent研发运维视角，贯穿整个技术栈，在稳定、体验、效率和成本这四个方面持续进行优化 2. 基于AI研发领域的MaaS/PaaS/IaaS，进行模型训练与推理的算力保障，并提升资源使用率 3. 统性地提升Agent研发、部署、运行阶段的稳定性，适应Agent QPS、模型推理TPM每年提升1个量级的发展速度 4. 主导解决Agent研发运维过程中各类疑难问题，并推进完善产品与平台的能力 5. 系统性构建故障节点、慢节点检测平台化能力，响应并解决日常大模型任务的故障问题 6. 负责LLM 后训练（SFT、RLHF/RLAIF 等）相关链路稳定性治理、规范建设：理解研发与优化 LLM + RL/HRF 相关训练框架，提升扩展性、稳定性与性能（吞吐、显存占用、收敛效率等）。结合分布式训练技术（如 tensor / pipeline / data parallel），优化多机多卡训练性能和资源利用率。 7. 平台稳定性与工程质量：建设训练平台的观测与运维体系，完善监控、告警、日志与故障排查工具；持续提升平台的稳定性、可调试性和可维护性，产出高质量技术文档与设计方案。
1、负责大数据方向Flink&Spark on K8S的关键能力建设，包括：Spark 高吞吐调度、Flink 极致负载均衡、Spark 计算 Offload 至 GPU 的调度支持、大数据作业资源弹性调度等； 2、负责大模型训练的ETTR（端到端训练启动时间）优化与 MFU（模型计算利用率）提升的关键技术能力建设，包括：GPU容器冷/热快速启停技术、模型服务初始化阶段的数据预加载与加速技术等。
团队介绍 国际站引擎团队主要负责支撑阿里国际站搜推以模型推理服务（包括大模型、搜推广模型），公司AI核心团队，处于高速发展阶段。团队技术氛围好，AI业务处于业界前沿。业务侧主要支持Alibaba.com AI化，以及Accio.com（B端AI产品）。 职位描述 负责支撑阿里国际站大模型模型后训练服务参与开发和优化大模型后训练框架，支持千卡H100 & B200分布式训练集群的相关优化参与大模型结构设计，并联合业务进行模型训练效率提升和效果验证。
团队介绍 国际站引擎团队主要负责支撑阿里国际站搜推以模型推理服务（包括大模型、搜推广模型），公司AI核心团队，处于高速发展阶段。团队技术氛围好，AI业务处于业界前沿。业务侧主要支持Alibaba.com AI化，以及Accio.com（B端AI产品）。 职位描述 负责支撑阿里国际站大模型模型后训练服务参与开发和优化大模型后训练框架，支持千卡H100 & B200分布式训练集群的相关优化参与大模型结构设计，并联合业务进行模型训练效率提升和效果验证。