智算集群稳定性和容错系统研究专员

1. 训练稳定性体系搭建与架构优化：研究超大规模分布式训练集群的稳定性架构设计与迭代，定义可量化的稳定性指标，建立覆盖全流程的稳定保障体系；

2. 容错机制研发和能力落地：研究面向训练推理场景容错能力建设，设计并实现秒级异常发现，分钟级自动故障定位和自动恢复的容错机制，大幅提升训练任务有效训练时长和推理任务稳定性；

3. 故障根因分析与治理：搭建面向故障的智能RCA根因分析体系，常态化复盘各类训练，推理稳定性问题，精准定位计算、通信、存储、内核、框架、调度等各层次故障根源，并形成自动化智能化分析机制；

4. 跟踪系统软件前沿趋势，探索新架构范式与优化路线，产出高水平论文与核心专利，参与或主导开源项目，提升学术与产业影响力。

1.计算机、人工智能、软件工程等相关专业，具备扎实的数学与物理基础；

2. 有扎实的操作系统原理，熟练掌握Python、C++、Go、Rust任意开发语言，具备扎实的后端研发与问题排查能力；

3. 熟悉分布式训练原理，具备千卡及以上规模集群稳定性保障实战经验优先；

4. 熟练掌握PyTorch、NCCL、RDMA等核心技术，能够独立排查训练中的通信异常、性能瓶颈等问题优先；

5. 具备训练容错、断点续训、故障自愈、慢节点治理等相关功能开发与落地经验，熟悉大模型训练或推理全链路故障场景和解决方案优先。