推理集群SRE工程师

1、负责 H200/B300 GPU 集群的部署、运维、监控和故障处理。 2、建设 Kubernetes、GPU Operator、驱动、CUDA、镜像、存储和节点管理体系。 3、负责 IB/RoCE、RDMA、NCCL、NVLink、NVMe 和 GPU 拓扑运维。 4、实现 PXE、烤机、健康检查、自动纳管、节点池和维修池。 5、建立 GPU、节点、网络、存储和推理单元的故障检测和自动隔离。 6、实现 Cell、部署单元、权重分发、节点迁移和资源回收。 7、建立 Prometheus、Grafana、OpenTelemetry、日志、告警和值班体系。 8、参与故障注入、主备切换、摘流、恢复和发布回滚演练。 9、完成领导交办的相关工作。 【任职要求】 1、2 年以上 GPU 集群、HPC、云基础设施或 Kubernetes SRE 经验。 2、熟悉 NVIDIA GPU、CUDA、DC…… 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 3143 个北京技术研发岗位，其中 86 个公开标注了薪资。按这些标注统计：月薪（税前）主流区间 12K ~ 28K（25~75 分位），中位约 20K，最低 2K、最高 60K。

本岗位标注月薪 25K ~ 30K，高于该范围约 71% 的在招岗位。