岗位职责：
●负责PAI平台深度学习框架的技术研发，涵盖MoE模型的大规模训练框架、多模态训练体系、RLHF训练架构等方向，支撑通义实验室、阿里集团等多个业务场景；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极致吞吐能力，能系统性分析不同模型在训练过程中的耗时瓶颈，并提出针对性优化方案，包括但不限于算子层面优化、通信机制改进、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，通过多种技术路径提升训练任务的实际产出效率，建设高效的故障识别与自动恢复机制，保障大规模训练流程的平稳顺畅运行；
●参与训练框架对多种硬件后端的适配与性能优化工作。

职位描述
●具备扎实的工程实现能力，良好的代码规范，熟练掌握Python/C++编程语言及常见设计模式，拥有复杂软件系统的架构设计、开发与调试经验；
●理解深度学习基础理论，熟悉Transformer结构原理，了解主流大语言模型和多模态模型的基本架构与特性；
●熟练使用PyTorch等主流深度学习框架，深入理解Megatron、DeepSpeed、JAX等训练框架的设计差异与核心技术细节；
●具有良好的沟通表达能力和团队协作精神，具备持续学习意愿和技术深挖的耐心与能力；
●掌握计算机体系结构相关基础知识，在异构计算优化（GPGPU/x86/ARM）领域有实践经验，熟悉高性能网络通信优化方法，具备分布式训练策略调优背景；