|
|
| |
| |
职位描述 用小程序查看更多 |
|
工作内容：
框架可用性拓展：负责自动驾驶大模型分布式训练框架的可用性优化，降低模型接入的成本。
稳定性与可观测性建设：建设训练集群的监控与告警体系，实时追踪训练吞吐、网络通信、集群健康度等指标，参与长周期训练的自动容错与断点续训优化。
全链路性能调优（Profiling）：使用专业调优工具（如 TensorBoard, Nsight）对大模型训练进行性能画像（Profiling），找出计算、通信和 I/O 上的长尾卡点，并进行优化。
岗位要求：
教育背景：计算机、软件工程、电子信息、系统结构等相关专业。
底层功底：精通 C/C++ 或 Python，对计算机体系结构（如 CPU 缓存、内存管理、多线程/多进程）有扎实的理解。
框架了解：熟练使用 PyTorch，了解其底层的分布式训练基本概念（如 DDP、数据并行）。
系统基础：熟悉 Linux 操作系统原理，掌握基本的 Shell 脚本编写。
加分项：
选修或自学过 CUDA 编程，写过简单的自定义算子，或了解 GPU 硬件架构。
在校期间有分布式系统、高性能计算（HPC）、或者深度学习模型工程化部署（TensorRT等）的实验 |
|
| |
|
|
| |
|
