理想汽车基础通信测试实习生

我们是谁：我们是支撑阿里AI战略的AI基础设施团队，致力于构建和优化世界领先的AI算力平台。我们管理着海量的GPU集群和先进的网络互联架构，为公司AI大模型训练、推理和前沿AI技术研发提供强大的底层支撑。我们面临着超大规模AI集群的极致性能、稳定性、成本和效率挑战，并积极探索下一代AI算力基础设施的创新。如果你对深耕高性能网络通信，赋能千亿级参数大模型训练和万亿级推理算力底座充满热情，期待在AI算力发展的黄金时代贡献核心力量，那么欢迎加入我们！ 我们寻找：一位具备深厚高性能网络通信专业知识和丰富实践经验的高级技术专家，能够负责或主导AI集群网络通信架构的设计、研发与优化工作，解决大规模分布式AI系统中的核心网络瓶颈问题，为AI业务提供极致的网络性能和稳定性保障。 你的职责： 1、架构设计与优化： ● 负责AI训练集群、推理集群、AI存储集群等核心AI基础设施的高性能网络通信架构设计、演进和落地，确保网络在性能、可靠性、扩展性方面达到业界领先水平。 ● 深入研究和优化底层网络协议栈，针对AI大模型训练/推理场景进行深度定制和性能挖掘。 2、核心技术攻坚： ● 主导或参与高性能网络通信相关的关键技术选型、方案评估及前瞻性技术预研，包括但不限于新一代高速互联技术（如InfiniBand EDR/HDR/NDR、CXL）、可编程网络、智能网卡(SmartNIC/DPU)卸载技术等。 ● 针对超大规模AI集群中的网络瓶颈、拥塞控制、负载均衡、故障隔离与自愈等挑战，提出并实现创新的解决方案。 3、性能分析与调优： ● 构建和完善高性能网络通信的监控、诊断和调优体系，能够精准定位网络性能瓶颈，并进行系统级的性能优化。 ● 与AI框架、大模型算法、系统软件等团队紧密协作，共同定义网络通信需求，提供端到端的性能优化建议和解决方案。 4、技术引领与团队赋能： ● 关注行业前沿技术发展趋势，积极引入和落地最新的高性能网络通信技术，推动团队的技术创新和突破。 ● 指导和培养团队内中初级工程师，通过技术分享、项目指导等方式，提升团队整体技术能力和工程实践水平。

负责设计、实现、维护 AI 和高性能计算所需要的高性能网络通信框架和大模型推理场景的性能优化，聚焦模型通信场景的能力建设，完善集合通信、点对点通信等通信方式与推理框架的联合方案设计，追求极致的推理性能。

阿里巴巴智能信息事业群，聚焦AI在信息服务赛道的创新应用，从工具到服务，持续为用户提供高效、智能的AI应用。智能信息事业群核心产品为夸克、通义、UC浏览器、书旗小说、超级汇川等，以多产品矩阵，覆盖横跨各年龄段的7亿+用户人群，服务超10万+客户。 负责智能信息基础技术平台系统相关研发，包括不限于以下方向： 1、构建高效可靠的云原生容器平台、提出资源优化模型以提升业务资源效率、参与机器学习工程平台的建设和优化，以及运用技术和标准化方案确保平台服务的稳定性和可维护性。 2、负责开发和优化大模型应用开发框架，创造高效的搜索应用解决方案，并深度参与智能信息系统的基础架构与组件开发，以确保技术的高效集成与实际落地。 3、开发和优化搜索引擎，高并发检索、大数据分布式存储及流批计算等系统，深入搜索业务需求设计实现解决方案，不断提高业务性能、系统稳定性，提升系统效率和成本效益。 4、开发和优化推荐引擎、模型预测和向量检索等基础系统，深入参与信息流推荐业务以实现业务需求，同时基于业务洞察设计新平台或改进现有系统，提升系统效率和成本效益。 5、开发和优化实验平台与系统，紧跟AB测试技术前沿，为业务提供精准的实验设计和分析、优化关键指标，并应用算法提高业务参数寻优的效果和效率。 6、具备数理统计基础，在数据科学、数据分析方向有经验者优先。

通义千问（Qwen）是由通义实验室自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。Qwen系列模型，涵盖参数量从几百 M 到 T 级的基座大语言模型，并相继推出Qwen-VL、Qwen-Audio、Qwen-Omni、Qwen-Coder等系列模型。从多轮对话到代码生成，从逻辑推理到内容创作，从单一多模态到全模态统一理解生成，Qwen 正在打造全球领先的全模态模型技术体系，推动AI在企业服务、开发者生态、个人用户等领域的深度应用，引领下一代人工智能的发展。 团队致力于研发下一代大模型评估系统，从而实现让大模型更好地执行真实世界任务进而服务人类的目标。 工作职责： 1. 挖掘大模型弱点，持续快速构建覆盖各项模型能力的评测数据集，探索可靠、具有可扩展性的评测方案。 2. 参与LLM-as-a-Judge 方案构建，训练LLM Judge/Reward Model，建模人类偏好并提升长尾任务的评价准确性。 3. 参与Reward System 构建，设计Reward Signal、合成对应数据，并通过 RL 提升模型的能力上限。 4. 参与开发Evaluation、Reward System 所需工程框架，简化各类测试任务和模型集成流程，帮助提高团队效率。