小鹏汽车大模型 Infra 研发实习生（Agentic RL 方向）
任职要求
1、Python 工程能力扎实，代码风格规范，有中型以上工程或开源项目经验； 2、熟悉 Linux 开发环境与常用工具链（Git / Shell / Docker / Make 等）； 3、了解分布式系统、并发与异步编程基本原理； 4、对大模型、Agent、RL 训练流程有基本理解； 5、能从复杂工程链路中定位瓶颈，主动设计可扩展、可观测的系统； 6、每周到岗至少 4 天，可连续实习 3 个月以上。 【加分项】 1、熟悉 Ray、Kubernetes、Slurm 等分布式调度/编排系统； 2、…
工作职责
我们正在构建面向 "Agentic RL 与具身智能" 的评测与训练基础设施。支撑长程、有状态、依赖外部环境（工具、代码执行器、仿真器、机器人）的智能体任务。你将作为 infra 工程师参与平台核心模块建设： 1、设计并实现统一的任务/环境抽象层，支持异构环境的接入； 2、构建大规模并发的rollout 与评测调度系统，提升吞吐、资源利用率与稳定性； 3、搭建智能体轨迹数据管道：采集、存储、检索、回放、版本管理，以及失败案例的可视化诊断系统； 4、集成实验管理、监控告警、链路追踪等能力，保障平台在大规模任务下的可观测性与可恢复性。
1. 负责大模型全链路训练优化，攻克 Scaling Law 过程中的分布式性能瓶颈，提升 MFU（算力利用率）和训练稳定性，保障万亿级参数模型的交付； 2. 设计并研发领先的推理引擎，包括但不限于算子融合、动态图优化、量化压缩（FP8/INT4）、高效 CUDA 算子开发等，降低模型在线时延与计算成本； 3. 针对特定业务场景，进行软硬件联合优化，实现从预训练、SFT、RLHF 到模型部署的端到端技术突破。
● 负责主流深度学习框架在Token Foundry大模型场景下的工程优化，包括但不局限于MoE模型大规模训练框架、多模态训练框架、RLHF训练框架等，参与包括基模型Pretrain、SFT等多个阶段的训练任务优化； ● 致力于提升不同阶段模型训练负载的极限吞吐，能够针对不同模型负载系统化的分析不同阶段耗时并提供相应的优化手段，优化手段包括但不局限于算子优化、通信优化、分布式策略优化等； ● 负责超大规模训练任务的稳定性的设计，通过各种手段来提升训练任务的有效吞吐，构建更可靠的故障检测系统和自愈系统，提供超大规模训练任务的丝滑体验。
1.负责混元infra相关链路稳定性治理、规范建设； 2.联动框架、算力、网络各模块完善关键metric采集； 3.系统性构建故障节点、慢节点检测平台化能力； 4.联合混元一站式建设统一的任务自动续训能力； 5.响应并解决日常混元大模型任务的故障问题。
1、负责快手容器云超大规模算力平台的架构设计与开发工作，包括但不限于资源调度、服务编排及容器引擎等多领域场景； 2、基于云原生技术完善海量异构资源的多集群联邦和统一调度能力，构建低成本、高弹性的计算、存储、网络算力基座，致力于持续提升资源效率； 3、参与完善服务微架构及性能瓶颈分析观测体系，深入支撑容器平台及快手各类业务的全链路稳定性问题，持续提升业务运行质量； 4、云原生及大模型推理场景AI-Infra领域前沿技术，提升大规模的推理场景GPU利用效率。