大模型训练系统专家（训练精度与稳定性方向）

岗位职责 负责大模型训练的精度与收敛稳定性，监控和分析 loss、grad norm 等关键训练指标，判断训练状态是否健康。 定位并解决 loss spike、发散、梯度异常、收敛变慢等训练异常，从数据、超参、数值精度、系统实现等方面分析根因。 验证并行策略、算子、精度配置、框架和硬件变更的精度对齐，建立训练精度验收标准与工具链。 支持低精度训练、MoE 训练、RL 训练等场景中的数值问题。 任职要求 一线负责过百亿参数以上模型预训练或后训练的稳定性。 有丰富的训练异常排查经验，深入理解优化器、学习率调度、归一化等对训练稳定性的影响。 理解浮点数值误差的来源，能在框架和算子层面定位精度问题。 熟悉 PyTorch 和主流分布式训练框架。 加分项：有低精度训练、RL 训练或跨硬件精度对齐的经验。