MiniMax大模型训练工程专家-稳定性方向

工作描述

一、一句话定位
为大模型「预训练 + 后训练」的基础设施稳定性与效率负总责的资深工程师——横向拉通 GPU 算力、RDMA 网络、通信库、高性能存储、集群调度、训练任务生命周期等多个技术域，确保大规模训练不中断 / 少中断，并持续把有效训练算力（MFU / ETTR）做上去。

二、为什么这个岗位重要
大模型训练是公司最核心、最烧算力的战役。训练稳定性直接决定旗舰模型能否按期炼成。
这是一个端到端 Owner 岗，不是分工到某个组件的螺丝钉——你对"训练能不能稳、跑得快不快"这个结果负责，向上直面算法 / 训练团队的真实诉求。
你将有从 0 到 1 搭建训练稳定性体系的空间：可观测、故障自愈、预案、效率工程，都还有大片可建设的地带。

三、你将负责什么（职责）
1. 训练全栈基础设施保障（横向拉通，核心）
GPU 算力：GPU 机器交付与健康管理、坏卡 / 掉卡 / 降频的检测与自愈、节点池管理与快速置换。
RDMA / 高性能网络：IB / RoCE 网络的稳定性与拓扑感知；网络抖动 / 丢包 / 降速的定位与消除。
网络通信库：NCCL（及同类）通信的调优与故障定位——hang、慢 all-reduce、拓扑不亲和等问题的根因排查。
高性能存储：训练数据与 checkpoint 的高吞吐存储链路（并行文件系统 / 对象存…