职位描述
●承担PAI平台深度学习框架的开发工作，涵盖MoE模型的大规模训练架构、多模态训练体系、RLHF训练流程等方向，服务于通义实验室、阿里集团等多业务场景；参与基模型Pretrain、SFT等关键阶段的训练性能调优；
●专注于提升各阶段模型训练任务的峰值吞吐能力，系统性分析不同负载在训练过程中的耗时瓶颈，并提出针对性优化方案，包括但不限于算子层面改进、通信机制增强、分布式策略调整等技术路径；
●主导超大规模训练系统的稳定性建设，通过多种技术手段提高训练有效吞吐，打造高效的故障发现与自动恢复机制，保障大规模训练任务运行平稳顺畅；
●参与训练框架对多种硬件后端的适配与性能优化工作。

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++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核心特性；
●精通PyTorch等常用深度学习框架，深入掌握Megatron、DeepSpeed、JAX等训练框架的技术差异与底层细节；
●具有良好的沟通协作能力和团队意识，学习能力强，能够持续深入探索技术难题；
●掌握计算机体系结构基础知识，在异构计算优化（GPGPU/x86/ARM等）、高性能网络通信调优、分布式训练策略优化等方面有实际项目经验；