MiniMax算力平台研发工程师-资源管理与可靠性

工作描述

岗位介绍
面向大模型训练与推理，集群资源调度、高性能网络，以及集群与模型的协同设计，是释放算力潜能、提升 AI 基础设施整体效率与稳定性的关键。我们致力于将复杂的底层基础设施转化为高效、可靠、易用的算力服务，为模型能力的持续突破提供支撑。
本岗位聚焦集群资源调度与资源管理，围绕 CPU、GPU、NPU 等异构算力，建设统一的资源模型、资源池化与拓扑感知能力，提升资源供给、分配和使用效率；同时构建贯穿故障发现、处置流转、维修协作、自动验收与资源恢复的完整链路，实现资源全生命周期的自动化管理。
你将负责核心后端系统的设计研发、持续交付与可靠运行，持续优化分布式系统的性能、稳定性和易用性。我们期待你具备系统性的架构思维、资源调度中的权衡能力，以及端到端的性能分析与优化能力，能够在资源利用率、任务性能和系统可靠性之间做出合理决策，通过软件工程减少人工介入、提升故障处理效率与变更质量，让每一份算力得到更充分、…