智算集群稳定性和容错系统研究专员

【工作职责】 1. 训练稳定性体系搭建与架构优化：研究超大规模分布式训练集群的稳定性架构设计与迭代，定义可量化的稳定性指标，建立覆盖全流程的稳定保障体系； 2. 容错机制研发和能力落地：研究面向训练推理场景容错能力建设，设计并实现秒级异常发现，分钟级自动故障定位和自动恢复的容错机制，大幅提升训练任务有效训练时长和推理任务稳定性； 3. 故障根因分析与治理：搭建面向故障的智能RCA根因分析体系，常态化复盘各类训练，推理稳定性问题，精准定位计算、通信、存储、内核、框架、调度等各层次故障根源，并形成自动化智能化分析机制； 4. 跟踪系统软件前沿趋势，探索新架构范式与优化路线，产出高水平论文与核心专利，参与或主导开源项目，提升学术与产业影响力。 【任职要求】 1.计算机、人工智能、软件工程等相关专业，具备扎实的数学与物理基础； 2. 有扎实的操作系统原理，熟练掌握Python、C++、Go、Ru…… 完整岗位描述与官方投递入口,请登录后在岗位详情页查看。

本站当前在招 1429 个杭州技术研发岗位，其中 60 个公开标注了薪资。按这些标注统计：月薪（税前）主流区间 20K ~ 32K（25~75 分位），中位约 28K，最低 5K、最高 90K。