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领域的模型训练需求；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任务的峰值吞吐能力，能系统化分析不同负载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体系建设，通过多种技术路径提高训练有效吞吐率，打造高效的故障识别与自动恢复机制，保障大规模训练任务的流畅运行体验；

●参与训练框架对多元硬件平台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++编程语言及常见设计模式，拥有复杂系统的架构设计、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和多模态模型的技术特性；

●精通PyTorch等常用框架，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经验；具备快速学习新知识的能力，以及持续探索技术难题的钻研精神；

●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等）、高性能网络通信优化、分布式训练策略优化等方面有实际项目经验；