阿里云智能-深度学习训练系统研发专家-北京，杭州
职位描述
基础平台开发-机器学习岗位
●负责PAI平台深度学习框架的技术研发，涵盖MoE模型的大规模训练架构、多模态训练体系、RLHF训练流程等方向，支撑通义实验室及阿里集团内多个业务场景的技术需求；参与基模型Pretrain、SFT等关键阶段的训练性能调优工作；

●专注于提升各阶段模型训练任务的峰值吞吐能力，能系统化分析不同负载下各环节的时间消耗，并提出针对性优化方案，包括但不限于算子层面改进、通信机制优化、分布式策略调整等技术手段；

●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实际产出效率，打造高效的故障感知与自动恢复机制，保障大规模训练过程的流畅性与可靠性；

●参与推进训练框架对多样化硬件后端的支持与适配优化。

职位要求
●具备扎实的工程实现能力，良好的编码规范，熟练掌握Python/C++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和多模态模型的核心特性；

●熟练使用PyTorch等常用框架，深入理解Megatron、DeepSpeed、JAX等训练框架的技术差异与实现细节；

●具有良好的沟通表达能力和团队协作经验；具备快速学习新技术的能力，以及持续深入探索技术难题的韧性；

●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有实际项目经验；