阿里巴巴达摩院-AI软件栈测试专家-计算技术
任职要求
必备条件： ● 计算机科学、电子工程或相关专业硕士及以上学历； ● 8年以上软件测试经验，其中至少5年在AI/高性能计算软件领域； ● 深入理解AI软件栈架构，包括但不限于： ○ 驱动层（KMD/UMD/Runtime/CCL/Video/Security） ○ 编译器（LLVM、AI Compiler、Triton） ○ 算子与模型推理（PyTorch、vLLM、Model Zoo） ○ 工具链（GDB、Profiler、San…
工作职责
核心职责： 测试战略与体系建设：制定并落地AI软件栈整体测试策略，覆盖驱动（KMD/UMD/Runtime/CCL/Video/Security）、编译器（DFCA/LLVM/Triton/AI Compiler）、算子、深度学习框架（PyTorch/vLLM等）、工具链（调试/Profiling/覆盖率）及云原生环境的全生命周期质量保障。 跨模块协同与质量左移：与AI架构、驱动开发、编译器、算法及产品团队紧密协作，在需求与设计阶段介入，推动可测性设计（Design for Testability）和质量内建（Quality Built-in）。 关键质量维度保障： 功能正确性：主导边界、异常、多进程、虚拟化、硬件适配等场景的测试覆盖； 性能与功耗：建立标准化性能基线，监控推理/训练吞吐、延迟、能效比等指标； 精度一致性：确保CPU/GPU/NPU间数值精度对齐，支持FP16/INT8/BF16等混合精度验证； 稳定性与鲁棒性：设计并执行长稳、OOM、Harvesting、压力及故障注入等专项测试。 自动化与工具链建设：推动EMU仿真环境、自动化回归流水线、设备级代码覆盖率工具、Sanitizer等基础设施的落地与优化，提升测试左移与右移能力。 质量度量与持续改进：建立质量看板，监控缺陷逃逸率、回归通过率、自动化覆盖率等核心指标，驱动流程与技术持续优化。
我们正在寻找一位具备深厚AI系统与软件栈测试经验的技术专家，担任AI软件栈测试负责人。你将全面负责从底层驱动、编译器、算子、框架到工具链及全栈集成的端到端质量保障体系，领导覆盖模块测试、集成测试与专项测试（性能/稳定性/精度）的多维度测试团队，确保AI软件栈在CPU/GPU/NPU等异构平台上的功能正确性、性能卓越性与长期稳定性。 核心职责： 测试战略与体系建设：制定并落地AI软件栈整体测试策略，覆盖驱动（KMD/UMD/Runtime/CCL/Video/Security）、编译器（DFCA/LLVM/Triton/AI Compiler）、算子、深度学习框架（PyTorch/vLLM等）、工具链（调试/Profiling/覆盖率）及云原生环境的全生命周期质量保障。 团队管理与能力建设：技术上领导约50人的测试团队（含正式与外包资源），合理分配模块测试、集成测试与专项测试人力，持续提升自动化覆盖率、测试效率与缺陷拦截能力。 跨模块协同与质量左移：与AI架构、驱动开发、编译器、算法及产品团队紧密协作，在需求与设计阶段介入，推动可测性设计（Design for Testability）和质量内建（Quality Built-in）。 关键质量维度保障： 功能正确性：主导边界、异常、多进程、虚拟化、硬件适配等场景的测试覆盖； 性能与功耗：建立标准化性能基线，监控推理/训练吞吐、延迟、能效比等指标； 精度一致性：确保CPU/GPU/NPU间数值精度对齐，支持FP16/INT8/BF16等混合精度验证； 稳定性与鲁棒性：设计并执行长稳、OOM、Harvesting、压力及故障注入等专项测试。 自动化与工具链建设：推动EMU仿真环境、自动化回归流水线、设备级代码覆盖率工具、Sanitizer等基础设施的落地与优化，提升测试左移与右移能力。 质量度量与持续改进：建立质量看板，监控缺陷逃逸率、回归通过率、自动化覆盖率等核心指标，驱动流程与技术持续优化。
岗位描述 负责 AI/GPU 软件栈工具链的系统测试与质量保障，覆盖从 驱动/固件能力暴露 → 容器运行时接入 → K8s 编排部署 → 可观测/诊断/Profiling → 调试与运维 的端到端链路。通过搭建自动化验证体系、E2E 测试环境与稳定性/兼容性测试方案，保障工具链在 Post Silicon 与生产集群场景下可交付、可运维、可观测、可调试。 岗位职责： 1. 云原生 GPU 工具链的端到端测试与交付质量，负责 GPU Operator / ClusterPolicy 的部署、升级、回滚、配置变更与异常恢复测试，负责 K8s 场景 E2E 测试，构建并维护集群级测试基线：单机/多机、不同 OS（Ubuntu/Anolis/CentOS/RHEL 等）、不同 containerd/docker、不同 K8s 版本矩阵。 2. 容器运行时与设备接入链路测试，测试 Container Toolkit / CDI / runtime hook：驱动/库/设备节点映射正确性、容器内可用性、权限与隔离、与不同 runtime 的兼容性。测试 Device Plugin / GPU Feature Discovery：设备发现、健康检查、资源分配、配置热加载、节点标签变化触发行为、异常设备/坏卡/降级策略验证。覆盖典型 workload 验证：训练/推理/HPC demo（可用 PyTorch、CUDA sample、NCCL/RCCL 类通信样例等）作为回归基准。 3. 运维与诊断工具测试（SMI / DCGM 类 / diag / exporter），测试 SMI/诊断工具，构建测试监控链路，对齐硬件能力暴露路径，对关键字段在 FW/KMD/用户态库/工具层的贯通进行验证与回归。 4. Profiling 与调试工具测试（Profiling Tool / GDB Debugger），负责 Profiling 工具的功能/性能/稳定性测试，负责 Thrive GDB / 异构调试链路测试，与 OpenOCD/仿真器/EMU/硬件板卡协同验证；覆盖 debug 信息（DWARF）、fatbinary、runtime 传递等场景。 5. 自动化与工程体系建设，设计并落地自动化测试框架（Python/Go/Shell 均可），沉淀可复用的 E2E 测试套件，了解多版本矩阵、夜间回归、长稳 soak test、性能基线与趋势分析。
1. 负责AI推理服务的全流程测试，覆盖模型加载、动态批处理、精度验证、资源占用等关键环节 2. 验证AI异构硬件（GPU/NPU/CPU）与推理引擎的性能表现及兼容性 3. 构建高并发AI服务压力测试框架，通过多用户场景下的QPS、P99延迟、错误率等指标评估服务稳定性与容错能力 4. 设计高性能AI推理基准测试方案，验证模型在低延迟/高吞吐量场景下的优化效果（内存占用率、硬件加速效率）及瓶颈分析 5. 分析推理瓶颈并提出优化建议，参与CI/CD流程的自动化测试集成
1. 负责AI推理服务的全流程测试，覆盖模型加载、动态批处理、精度验证、资源占用等关键环节 2. 验证AI异构硬件（GPU/NPU/CPU）与推理引擎的性能表现及兼容性 3. 构建高并发AI服务压力测试框架，通过多用户场景下的QPS、P99延迟、错误率等指标评估服务稳定性与容错能力 4. 设计高性能AI推理基准测试方案，验证模型在低延迟/高吞吐量场景下的优化效果（内存占用率、硬件加速效率）及瓶颈分析 5. 分析推理瓶颈并提出优化建议，参与CI/CD流程的自动化测试集成