岗位职责：
●承担PAI平台深度学习框架的开发工作，涵盖MoE模型的大规模训练框架、多模态训练框架、RLHF训练框架等方向，支撑通义实验室、阿里集团等多业务场景的技术需求；参与基模型Pretrain、SFT等关键阶段的训练流程优化；
●专注于提升各阶段模型训练任务的极限吞吐能力，系统性分析不同模型负载在各环节的耗时瓶颈，并提出针对性优化方案，包括但不限于算子层面优化、通信机制优化、分布式策略调优等技术手段；
●主导超大规模训练系统的稳定性建设，通过多种技术路径提高训练任务的有效产出，打造高效的故障发现机制与自动化恢复能力，保障超大规模训练过程的流畅性和可靠性；
●参与训练框架对多元硬件环境的适配与性能优化工作。

职位描述
●具备扎实的工程实现能力，良好的代码规范，熟练掌握Python/C++编程语言及常见设计模式，拥有复杂软件系统的设计、开发与调试经验；
●理解深度学习基本理论，熟悉Transformer结构，了解主流大语言模型与多模态模型的技术特性；
●精通PyTorch等常用深度学习框架，深入掌握Megatron、DeepSpeed、JAX等训练框架的核心机制与差异点；
●具有良好的沟通表达能力和团队协作经验；学习能力强，能够持续深入探索和解决复杂技术问题；
●掌握计算机体系结构相关基础知识，在异构计算优化（GPGPU/x86/ARM等）、高性能网络通信优化、分布式训练策略优化等方面具备扎实实践经验；