岗位详情
岗位描述
- 岗位简介 负责大模型 RL 训练与推理系统建设，支持训练效率、系统稳定性和工程迭代速度的持续提升。工作内容覆盖分布式训练、推理链路、性能优化、稳定性治理，以及 Agent RL 相关能力建设。
岗位职责
- 1. 负责 RL 训练与推理基础设施的设计、开发与优化。 2. 负责分布式训练、任务调度、权重同步、热更新等核心链路建设。 3. 持续优化系统性能，包括吞吐、时延、GPU 利用率、训练效率等指标。 4. 建设稳定性与可观测能力，定位并解决 OOM、超时、通信瓶颈、一致性问题等。 5. 参与 Agent RL 相关训练与系统支持工作，推动训练框架适配更复杂的 Agent 场景。
任职要求
- 1. 熟悉 PyTorch、CUDA、NCCL、Linux，理解分布式训练与推理系统基本原理。 2. 了解 RLHF 或相关训练方法，对 PPO、DPO、GRPO、Agent RL 等方向有实际经验或较强理解。 3. 有性能分析、问题排查和系统优化经验，能独立定位复杂问题。 4. 熟悉 AI Coding，有使用或建设代码助手、自动化研发工具、Coding Agent 的经验。 5. 有代码品味，对工程质量有要求，乐于学习新技术、新工具和新方法。
加分项
- 1. 有大模型训练或推理系统相关经验。 2. 有多机多卡、集群训练或在线服务稳定性治理经验。 3. 对 Agent、推理优化、系统架构演进有持续兴趣。