混元大模型Infra稳定性研发工程师（深圳/北京/上海/杭州）

负责混元infra相关链路稳定性治理、规范建设；

联动框架、算力、网络各模块完善关键metric采集；

系统性构建故障节点、慢节点检测平台化能力；

联合混元一站式建设统一的任务自动续训能力；

响应并解决日常混元大模型任务的故障问题。

熟悉Megatron/PyTorch等框架的基本的训练流程；

掌握GPU/NPU等工作原理、常见操作命令；

熟悉RDMA网络相关硬件特性、熟悉all2all、allGather等集合通信原理；

了解docker容器、存储挂载等基础知识；

有大规模任务系统故障排查、分析解决经验者优先；

良好沟通、团队协作能力。