阿里云智能-深度学习训练系统研发专家-北京，杭州
职位描述
基础平台开发-机器学习岗位
●负责PAI平台深度学习框架的技术研发，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，支撑通义实验室及阿里集团内多个业务场景；参与基模型Pretrain、SFT等关键阶段的训练性能调优工作；

●专注于提升各阶段模型训练负载的峰值吞吐能力，能系统性分析不同训练阶段的时间开销，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手段；

●主导超大规模训练任务的稳定性架构设计，通过多种技术途径提高训练过程的有效吞吐，建设高效的故障识别与自动恢复机制，保障大规模训练任务的平稳运行体验；

●参与训练框架对多元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，良好的代码规范，熟练掌握Python/C++语言及常见设计模式，拥有复杂软件系统的架构、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；

●具备良好的沟通表达能力和团队协作经验；有快速学习新知识的能力，以及持续探究技术难题的专注力；

●掌握计算机体系结构基础知识，在异构计算优化（GPGPU/x86/ARM等）、高性能网络通信架构优化、分布式训练策略调优等方面具备实际项目经验；