岗位描述（节选）
负责公司 MLP 平台的 GPU 集群底座建设，主导大规模多集群环境下的稳定性、调度效率和基础设施插件能力，支撑内部模型训练和推理业务。
核心职责
1. GPU 集群稳定性建设：主导 GPU 集群高可用架构设计，制定 SLA/SLO 目标，建立容量规划、变更管控、灰度发布和稳定性度量体系。
2. 故障响应与处理：负责 P0/P1 级故障的快速定位、根因分析和事后复盘，建立可观测性、告警和应急响应机制。
3. 多集群管理：设计多集群联邦、统一接入、资源调度和灾备方案，解决跨集群业务调度、流量分发和数据一致性问题。
4. 基础设施插件开发：基于 K8s 二次开发或定制 CNI、CSI、Device Plugin、Scheduler Extender 等核心组件，适配公司 GPU 资源池和存储/网络环境。
5. 跨团队协作：与算法、业务方紧密协作，承接模型训练/推理场景的底层需求，推动平台能力落……
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。