大模型分布式训练系统与网络互联方向实习生

【研究方向】： 聚焦大规模 LLM 训练与推理中的 Scale-Out 网络通信优化， 【核心问题包括】：MoE Expert Parallelism 下的 All-to-All 通信瓶颈、网络拓扑感知的数据调度、异构集群下的通信-计算协同优化。研究成果面向 MLSys、SC、EuroSys、NeurIPS、OSDI 等顶级会议投稿。

【岗位职责】 - 研究 MoE 模型在多节点 GPU 集群上的通信模式，分析 All-to-All、AllReduce 等 Collective 操作的性能瓶颈，设计拓扑感知的通信优化方案； - 针对异构网络环境，研究 Expert 放置策略与Token Dispatch 路由算法； - 使用仿真工具或真实集群（多机多卡）对方案进行实验验证，产出系统级性能数据（吞吐、通信效率、端到端训练时间）； - 参与论文撰写，在 Mentor 指导下完成顶会投稿。

【岗位要求】 核心要求（满足其一即可报名）： - 熟悉 PyTorch 分布式训练框架（DDP/FSDP/DeepSpeed），理解 Tensor Parallelism、Pipeline Parallelism、Expert Parallelism 的通信开销来源； - 了解集合通信库（NCCL/MPI），对 All-to-All、AllReduce 的底层实现和性能分析有实践经验； - 熟悉数据中心网络拓扑（Fat-Tree、Torus、Ring 等）， 有网络仿真（NS3/ASTRA-sim 等）或实测经验。 加分项： - 有 MoE 模型（Mixtral、DeepSeek-MoE 等）训练或推理系统优化经验； - 读过 FasterMoE、DeepSpeed-MoE、TA-MoE 等系统论文，对 Expert 路由与通信优化有自己的理解； - 有 MLSys、SC、EuroSys、NSDI 等会议论文经历； - 具备 C++/CUDA 通信 kernel 开发能力。