大模型训推平台技术专家

工作职责: 围绕自研大模型训推一体化平台，独立负责以下一个或多个方向的架构设计与落地: 1.大规模预训练资源调度设计 GPU 万卡级集群调度系统，支持拓扑感知、跨机房调度与多租户配额;基于 K8s/Volcano 等构建调度内核，训练任务排队、抢占、弹性调度，持续提升集群 GPU 利用率;拓扑感知放置（NVLink/IB）与跨机房/跨可用区调度，最小化跨交换机通信开销;通信与存储 IO 路径优化，配合训练框架提升端到端通信效率 2.自动故障检测与恢复:构建训练全链路健康监测与自愈闭环，最小化故障对训练进度的影响。训练全链路健康监测：NCCL hang、GPU Xid、网络抖动、存储异常的自动检测Checkpoint 自动管理 + 断点续训，故障迁移后快速恢复故障自愈闭环：检测 → 诊断 → 迁移 → 恢复，沉淀故障知识库与回溯能力 3.模型训推 DevOps打通"代码→镜像→训练→产物→上…… 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 9394 个上海岗位（全城各职能合计），其中 1138 个公开标注了薪资。按这些标注统计：月薪（税前）主流区间 7.5K ~ 20K（25~75 分位），中位约 12K，最低 0.8K、最高 100K。