大模型训练系统专家-实验平台 / 稳定性与容错 / Checkpoint / 训练可观测

【岗位职责】 - 我们正在建设支撑大模型研发的下一代 AI 基础设施。 - 这里关注的不只是“把训练任务跑起来”，更需要为训练任务跑得稳(ETTR)、效率高(MFU)负责,让大规模、长周期的模型训练在复杂的软硬件环境中具备更好的可观测性、稳定性、可恢复性与可复现性。 - 你将工作在算法、训练框架与底层算力基础设施的交界处，负责大模型实验平台、训练稳定性、故障诊断与容错恢复、Checkpoint 及训练效率评估等关键系统，直接影响预训练与后训练的研发体验、迭代速度和算力产出。 - 本岗位不以算子开发或并行训练框架研发为核心，重点解决训练全生命周期中的系统基础设施问题。 职位描述 1. 负责大模型实验与训练平台建设，覆盖训练数据管理、实验配置、任务编排、指标观测、产物管理、模型评测、结果追踪与实验复现，持续提升模型研发体验和迭代效率； 2. 建设大规模分布式训练稳定性体系，围绕异常感知、故障诊…… 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 2297 个北京技术研发岗位，其中 174 个公开标注了薪资。按这些标注统计：月薪（税前）主流区间 12K ~ 20K（25~75 分位），中位约 20K，最低 2K、最高 70K。