商汤大装置-物理网络工程师（三个方向）
任职要求
【方向一：SRE团队的物理网络工程师】 1. 本科及以上学历，计算机、通信、电子信息等相关专业。 2. 5 年及以上物理网络运维或网络架构经验，有真实设备配置与运维经历。 3. 熟悉数据中心 / 集群 Underlay 网络常见技术与协议，包括但不限于： TCP/IP、BGP、OSPF、MPLS、VXLAN。 4. 熟悉主流网络设备厂商（Cisco / Huawei / H3C 等）的配置、调试与故障排查。 5. 具备扎实的网络故障分析能力，能在复杂环境中快速定位 物理网络层问题。 【方向二：系统架构组的网络架构师】 1. 计算机、通信及相关专业本科及以上学历; 2. 熟悉数据中心网络、城域网络、骨干网络组网架构； 3. 有8年以上的网络工作经验，具备扎实的网络技术功底。熟悉常用的网络相关技术和协议，包括但不限于：交换、路由、OSPF、BGP、MPLS、VPN、SR、EVPN、VXLAN、Radius、802.1x、DNS/DHCP、IPSec； 4. 熟悉云，网，网络虚拟化，网络智能化，数据工具，平台，以及下一代网络架构的要求； 5. 有实际的数据中心网络设计、实施、问题定位与解决…
工作职责
【方向一：SRE团队的物理网络工程师】 你将作为 SRE 体系下的 物理网络工程师，面向大规模、高稳定性要求的集群场景，承担 Underlay 网络的规划、交付与运行保障： 1. 负责智算/云计算集群 Underlay 物理网络的规划设计、部署交付与持续优化，包括网络拓扑、设备选型、配置与调试。 2. 负责交换机、路由器、防火墙等网络设备的配置、变更与日常运维，保障网络稳定运行。 3. 参与集群网络的 上线、扩容、升级与迁移，确保对上层 Overlay 网络和业务影响可控。 4. 监控网络运行状态，参与网络值班，快速定位并处理物理网络层面的故障与异常。 5. 与 云网络 / SDN / Overlay 团队协作，支持其在 Underlay 之上的网络能力建设与问题排查。 6. 编写和维护网络相关文档，包括网络拓扑、配置说明、运维手册、故障复盘等。 7. 持续研究数据中心与智算网络相关技术，推动 Underlay 网络在稳定性、可扩展性和运维效率上的演进。 【方向二：系统架构组的网络架构师】 1. 负责 Underlay 网络架构设计规划，构建骨干网与云计算数据中心网络，并与虚拟网络协同，打造业界领先的云网一体化基础设施； 2. 负责高性能、高可用、高稳定的大规模云网络架构规划与骨干网架构构建以及技术细节； 3. 负责 IPAM、网络 QoS、数据网、训练/推理网监控系统的方案设计，构建数据中心物理网络的运维管理系统，满足性能和稳定性要求； 4. 负责多 region 的集群建设方案设计以及网络设备规划、成本计算，与硬件产品经理协同制定整体落地方案； 5. 负责新硬件的选型与准入工作，制定硬件准入的技术标准和测试流程，推动 sre 和研发进行设备的适配工作，网络硬件包括不限于：交换机、光模块、AOC 线缆等。 【方向三：云网络研发组的网络软件开发工程师】 1. 参与物理网络相关能力的方案研究与验证，将交换机配置、网络拓扑等能力进行 标准化与工程化抽象。 2. 研究华为、华三、Mellanox 等主流交换机的配置与特性，输出可复用的配置方案、模板或实现思路。 3. 根据云网络产品与平台需求，整理并实现交换机侧配置方案（如 CLI / NETCONF 调用），并与云网络研发团队协作落地。 4. 编写和维护与物理网络相关的 验证脚本、自动化工具或测试用例，提升网络交付、验证与问题定位效率。 5. 以工程化视角，配合网络 SRE 团队参与部分线上问题的辅助排查与初步定位，推动问题复盘与方案优化。 6. 整理物理网络相关的技术文档、方案说明与问题经验，促进团队内的知识沉淀与复用。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 工作职责： 1、参与/负责研发面向大语言模型(LLM)/多模态大模型(MLLM)等类型模型的推理服务框架； 2、参与/负责KV Router、PD分离/EPD分离、KVCache管理、动态PD调整等分布式推理能力建设； 3、通过并行计算优化、分布式架构优化、异构调度等多种框架技术，打造高效、易用、领先的AI推理框架； 4、参与/负责构建推理框架的系统容错能力，包括但不限于请求迁移、优雅退出、故障检测、自愈等能力建设； 5、深度参与周边深度学习系统多个子方向的工作，包括但不限于模型管理、推理部署、日志/监控、工作流编排等； 6、与全公司各业务算法部门深度合作，为重点项目进行算法与系统的联合优化，支撑业务目标达成。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地。 3、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。