MiniMax大模型训练系统专家-实验平台 / 稳定性与容错 / Checkpoint / 训练可观测

工作描述

- 我们正在建设支撑大模型研发的下一代 AI 基础设施。
- 这里关注的不只是“把训练任务跑起来”，更需要为训练任务跑得稳(ETTR)、效率高(MFU)负责,让大规模、长周期的模型训练在复杂的软硬件环境中具备更好的可观测性、稳定性、可恢复性与可复现性。
- 你将工作在算法、训练框架与底层算力基础设施的交界处，负责大模型实验平台、训练稳定性、故障诊断与容错恢复、Checkpoint 及训练效率评估等关键系统，直接影响预训练与后训练的研发体验、迭代速度和算力产出。
- 本岗位不以算子开发或并行训练框架研发为核心，重点解决训练全生命周期中的系统基础设施问题。
职位描述
1. 负责大模型实验与训练平台建设，覆盖训练数据管理、实验配置、任务编排、指标观测、产物管理、模型评测、结果追踪与实验复现，持续提升模型研发体验和迭代效率；
2. 建设大规模分布式训练稳定性体系，围绕异常感知、故障诊断、根因定位、故障隔离、自动重试与断点恢复，形成“发现—诊断—恢复—治理”的完整闭环，提升长周期训练任务的成功率；
3. 设计并优化高性能 Checkpoint 与训练状态管理系统，解决大规模并行训练中的…