24小时热门版块排行榜

返回列表

当前只显示满足指定条件的回帖，点击这里查看本话题的所有回帖

吕或飞呀

铜虫 (小有名气)

应助: 0 (幼儿园)
金币: 88.8
帖子: 84
在线: 9.1小时
虫号: 13101729

[交流] 基础设施工程师/leader-AI4Science头部团队

具体工作地点:

上海徐汇

薪金:

35K-100K月base

学历和研究方向:

硕士优先

招聘岗位:

工程师/leader

公司名称:

某Top融资AI4Science头部团队

联系方式:

katelynlyu@163.com

该职位同方向的leader位置也在招聘中，工程师职位至少需3年相关经验
AI异构算力集群基础设施与可靠性工程师
岗位介绍
我们希望招聘异构算力集群基础设施与可靠性工程师，参与大规模异构算力集群的建设、运维与持续优化。
你将负责从裸机服务器到可用训练集群之间的关键基础设施，包括 GPU / NPU 计算节点、资源调度、高性能网络、共享存储、监控与可靠性体系等，并与模型训练和研究团队紧密协作，保障大规模分布式训练任务稳定、高效运行。
该岗位聚焦异构计算基础设施，不承担模型算法研发工作。

你将负责
•建设和维护大规模异构算力裸机集群，负责计算节点的部署、初始化、扩容、升级、健康检查和生命周期管理；
•维护 NVIDIA GPU 与昇腾 NPU 相关基础软件环境，包括 Linux、驱动、CUDA、NCCL、CANN、HCCL 等核心组件；
•支持 NVIDIA A100、H100、H200、B200、GB200 等 GPU 平台，以及昇腾 Ascend 910B、Ascend 910C 等 NPU 平台的部署、运维和性能验证；
•建设和维护基于 Slurm、Kubernetes 等系统的异构算力资源管理与调度能力；
•支持大规模多机多卡 / 多机多 NPU 训练任务，定位 NCCL / HCCL 通信异常、设备掉卡、节点掉线、进程异常退出和性能抖动等问题；
•建设和维护 InfiniBand、RoCE、RDMA 等高性能网络环境，分析和优化大规模分布式训练中的通信性能；
•建设和维护高性能共享或分布式存储系统，保障大规模训练数据读取、模型权重加载和 checkpoint 写入效率；
•建立 GPU / NPU 节点和集群级性能基线，开展新节点上线验收、压力测试、性能测试和异常性能分析；
•建设集群监控、告警和可观测性体系，及时发现计算设备、节点、网络、存储和训练任务中的异常；
•建立节点健康检查、故障隔离和恢复机制，持续提升集群可用性并降低故障恢复时间；
•使用 Python、Shell、Ansible 等工具推进裸机部署、配置管理、软件升级、健康检查和日常运维自动化；
•持续分析 GPU / NPU 资源利用率、集群吞吐和训练效率，识别计算、网络、存储和调度层面的性能瓶颈；
•与模型训练和研究团队协作，定位复杂训练问题，并判断问题来自模型与训练框架还是底层基础设施。

我们希望你具备
•硕士及以上学历，计算机科学与技术、软件工程、电子信息、通信工程、自动化、网络工程、信息安全、计算机体系结构等相关专业；
•具有 Linux、HPC、AI 基础设施、数据中心或大规模计算集群相关工作或研究经验；
•扎实的 Linux 系统基础，具备较强的服务器管理、系统调优和故障排查能力；
•熟悉至少一种主流 AI 加速平台：
￮NVIDIA GPU：驱动、CUDA、NCCL 等；
￮昇腾 NPU：CANN、HCCL 等；
•有 GPU、NPU、HPC 集群或大规模计算基础设施的建设或运维经验；
•熟悉 Slurm、Kubernetes 或其他集群管理与调度系统；
•熟悉 TCP/IP 及 Linux 网络，对 InfiniBand、RoCE、RDMA 等高性能网络技术有实际使用经验；
•熟悉至少一种共享或分布式存储系统，理解大规模训练场景下的存储与 I/O 问题；
•熟悉 Docker 等容器技术；
•能够使用 Python、Shell 等语言完成自动化运维、问题分析和工具开发；
•理解多机多卡 / 多机多 NPU 分布式训练的基本工作方式，能够从计算、网络、存储和系统多个层面定位问题。

加分项
•有百卡、千卡或更大规模异构 AI 算力集群的建设或运维经验；
•有 NVIDIA A100、H100、H200、B200、GB200 等平台经验；
•有昇腾 Ascend 910B、Ascend 910C 等平台的大规模部署或运维经验；
•同时熟悉 NVIDIA GPU 和昇腾 NPU 两类平台；
•同时熟悉 Kubernetes 和 Slurm；
•熟悉 InfiniBand、RoCE、RDMA、GPUDirect RDMA 等高性能通信技术；
•熟悉 NCCL / HCCL 集合通信机制及相关故障定位；
•熟悉 NVLink、NVSwitch、PCIe 拓扑等 GPU 服务器内部互联机制；
•熟悉 Lustre、BeeGFS、Ceph 等高性能分布式存储系统；
•有 GPU / NPU 节点上线验收、性能基线建立、压力测试和异常性能归因经验；
•熟悉 NCCL Tests、HCCL Test、DCGM、iperf、fio 等性能测试和诊断工具；
•熟悉 Prometheus、Grafana 等监控与可观测性工具；
•熟悉 PXE、IPMI、Redfish、Ansible 等裸机批量部署和自动化管理技术；
•有 DeepSpeed、Megatron-LM、FSDP、verl、MindSpore 等训练框架的基础设施支持经验；
•有 AI 基础设施、高性能计算、智算中心、超算中心或大规模分布式系统相关经验。

[ 来自版块群上海 ]

回复此楼