大模型训练平台工程师

1）设计并维护支持千亿参数模型的分布式训练系统及作业调度、资源管控平台； 2）优化分布式训练资源调度管理能力，优化大规模GPU集群资源使用率； 3) 与基础团队合作，推进作业调度（如 Kubernetes / Slurm）、存储（ CFS / PFS / OSS）、网络互联的联调优化； 4) 建设自动化的训练监控、Checkpoint 保存与容错恢复机制，降低大规模训练任务的中断损失； 5) 负责预训练数据的高效加载与预处理流程，确保 I/O 不成为训练瓶颈，支持 TB 级数据集的高效迭代； 6) 搭建实验管理、超参数追踪、可视化监控等工具链，支持研究团队快速迭代。 【任职要求】 1）扎实的编程能力（Golang / Python），良好的数据结构与算法基础； 2）理解分布式系统基本概念（通信、调度、容错）； 3）熟悉 PyTorch 训练机制与源码结构； 4）具备性能分析能力（GPU …… 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 3032 个上海技术研发岗位，其中 100 个公开标注了薪资。按这些标注统计：月薪（税前）主流区间 12K ~ 23K（25~75 分位），中位约 20K，最低 4K、最高 100K。