米哈游服务器自动化研发工程师
任职要求
- 计算机科学与技术、软件工程等计算机相关专业，本科及以上学历 - 3 年以上服务器自动化或基础设施研发经验 - 精通 Linux 系统启动流程（BIOS → PXE → Kickstart → 系统初始化cloud-init） - 熟悉装机自动化方案（Ironic / MAAS / Cobbler / Metal Kubed至少一种） - 熟悉 Ansible、SaltStack、Puppet 等配置管理工具 - 熟…
工作职责
1. 多地域 CPU 与 GPU 服务器自动化装机流程的设计与研发（PXE / Metal Kubed / Ironic / MAAS / Cobbler 等方案） 2. 装机镜像（OS image）制作与版本管理：内核、驱动、ofed、cuda 等基线维护 3. 服务器装机与 K8s 加节点流程联动（自动注册、健康体检、加入调度池） 4. 与硬件运维、SRE 协同建设带外管理平台（IPMI / Redfish 批量操作）与服务器全生命周期平台 5. 装机流程的可观测性、失败重试与灰度回滚机制建设
【业务介绍】 作为公司统一的模型训练引擎团队，支撑公司内所有搜推广类业务的训练工程侧工作，包括模型训练、参数服务器、特征样本流水线等，通过引擎能力的持续建设结合多元异构算力为业务提供高效、灵活、稳定的搜广推模型服务。 为公司核心的搜广推业务提供关键的模型训练引擎支撑，解决超大规模稀疏特征训练的核心问题，不断挖掘异构硬件算力，为公司搜广推业务增长提供保障，并获得快速的成长与提升。 【岗位职责】 1、负责小红书搜广推业务线的机器学习训练框架的研发与迭代，核心支持公司所有相关业务场景； 2、深入参与分布式训练、自动并行化、参数服务器、特征样本流水线等系统底层功能的创新设计与优化，实现软硬件协同的极致训练效率； 3、跨团队合作，与公司算法部门深度协同，针对关键项目开展算法与系统的联合优化，推动解决实际业务挑战； 4、推动自动化扩展、智能资源调度、跨架构设备兼容（NV GPU、GPGPU、XPU等）、AI系统可观测性等先进技术在公司模型训练平台落地； 5、跟踪并推动AI系统领域的最新技术趋势（如生成式推荐、AI编译优化、RDMA/NCCL通信计算并发等），持续保持平台业界领先优势。
1、基础设施与模型融合研究 ：紧密关注新一代基础设施的迭代，如高性能的新一代网卡、超节点服务器以及先进的集群拓扑结构等，结合多模态任务下多模型（涵盖 visual tokenizer、diffusion、LLM 等）长 pipeline 特点，探索更先进、高效的多模态模型架构以及训推解决方案； 2、分布式系统优化 ：运用分布式系统迭代、系统算法 codesign 等手段，针对模型规模、集群规模、context length 持续 scaling up 过程中出现的诸多挑战展开深入研究。具体包括但不限于解决训练过程中的 MFU 与稳定性问题，优化推理环节的时延与吞吐，以及应对超长序列带来的训推显存压力等难题； 3、卓越系统打造 ：通过持续的创新与优化实践，致力于打造业界卓越的分布式训推系统，推动相关技术在实际应用场景中的高效落地，提升整体系统性能与竞争力，为 kling 等核心模型发展提供坚实支撑。
1、服务器硬件运维自动化研发，包括硬件监控系统设计开发，硬件故障诊断和处置自动化开发，整机及部件（CPU、Memory、SSD、HDD等）压测自动化开发； 2、服务器硬件运维智能化能力建设，通过数据分析和机器学习技术，构建预测模型，实现故障预测、性能画像和智能诊断； 3、硬件基础数据能力建设，包括硬件整机及各类部件（CPU、Memory、GPU、HDD、SSD等）的性能微架构指标、健康状态指标及各类配置指标的数据采集、传输和存储； 4、关注最新的技术发展趋势，探索和引入新技术、新工具，持续推动运维效率提升。
1 管理海量的边缘GPU服务器，保障线上服务的稳定性 2 参与服务器的实时调度、计时计费系统研发 3 参与云游戏硬件服务器的研发、性能调优、上架方案等工作 4 验收、部署各种规格的私有云/公有云服务器 5 持续优化业务部署、动态扩容/缩容的效率和稳定