字节跳动混合云-云原生AI研发工程师/架构师

我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。

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。

加入我们，您将参与构建支撑贝壳业务商业化的核心平台系统。商业化聚焦商城交易标准化中台能力、混合支付能力、贝壳币账户管理体系相关平台能力建设，并支撑新房、二手、租赁等业务流量商业化线上化能力建设。您将有机会深度参与: 1、参与商城交易标准化中台能力建设，如:商品库、订单、支付及B端管理系统； 2、参与贝壳币系统能力建设，如：账户管理、预算管理等； 3、参与业务流量商业化线上化能力及B端管理系统建设，如：新房CPT、二手潜客包CPL、会员等流量产品能力建设。

-数据库质量保证策略设计 -基于数据库内核架构（如事务引擎、存储管理、并发控制等），设计覆盖功能、性能、稳定性、安全性和灾难恢复的综合性测试策略 -针对极端场景（如硬件故障、网络分区、超大规模数据压力）和大事务/高并发场景，构建破坏性测试和压力测试模型 -测试用例开发 -编写自动化测试脚本（如Python/Perl/Shell/C++），覆盖SQL语法、事务隔离级别、锁机制、备份恢复等核心功能 -自动化测试工具以及测试用例管理平台的开发和管理工作。 使用各种测试工具和技术，自动化测试，记录和分析测试结果，并跟踪和验证缺陷 -编写测试报告和文档： 清晰准确地记录测试过程、结果和分析，编写测试报告和相关文档 -设计复杂场景测试用例，例如：极端压力测试：模拟百万级并发事务、TB级数据量下的系统稳定性；破坏性测试：强制断电、磁盘I/O错误注入、内存溢出等异常场景；边界条件测试：验证索引深度、页分裂、日志写满等临界值场景 -性能分析与调优 -使用工具（如sysbench、tpcc、tpch、自定义基准测试）分析查询执行计划、锁竞争、I/O瓶颈 -结合内核日志（如InnoDB redo log、PostgreSQL WAL）定位性能问题，推动优化方案落地 -缺陷管理与协作 -搭建测试环境（含多节点集群、混合负载），复现并跟踪内核级Bug（如死锁、数据不一致） -与开发团队紧密合作，提供Root Cause Analysis（RCA）支持，参与代码审查，提供测试反馈，协助开发人员定位和修复问题，推动内核代码修复 -技术预研与创新 -探索新技术（如向量化查询、持久内存、分布式事务）的测试方法 -开发定制化测试工具（如混沌工程平台、自动化故障注入系统）