上海RemoteFull TimePosted Today
智驾训练平台研发工程师上海全职职位描述1、岗位概述
负责智驾端到端大模型训练平台建设与迭代，覆盖训练任务调度、MLOps/数据闭环、训练性能优化与可观测，面向千卡级GPU
集群，支撑大规模分布式训练(PyTorch/NCCL)高效、稳定、低成本运行。
2、岗位职责
调度与资源:设计实现AI训练场景集群调度(K8s/Volcano/自研);落地Gang、队列、优先级、配额、多租户隔离;建设GPU/网络拓扑感知调度(NVLink/RDMA)及vGPU等细粒度资源分配。
训练平台与闭环:建设实验管理、训练/评测流水线、模型注册与发布、版本回滚;统一镜像与制品管理;
打通数据版本一训练+评测一反馈闭环，保障可复现与全链路追溯。
性能与可观测:推动训练框架集成与性能优化(混合精度等);建Metrics/Logs/Traces，完善告警、容量评估与故障定位;治理0OM、训练卡住、GPU利用率低等问题。
职位要求1、本科及以上，计算机相关专业。精通Golang,熟悉Python(Shell优先)良好的API设计、测试与文档习惯，能跨团队推进需求。
2、精通K8s，理解Pod资源模型、调度与队列;熟悉Docker、镜像仓库;有调度/批处理/工作流平台经验。
3、熟悉PyTorch训练链路;了解分布式训练与GPU资源治理;熟悉MySQL/TiDB、Redis、对象存储。投递