腾讯(tencent)招聘元宝-大模型训练工程师

岗位职责：
1.负责设计和优化LLM训练框架，支撑LLM高性能训练。与算法团队、平台团队紧密协作，确保LLM infra的稳定、高性能、可扩展，推动AI大模型技术的落地与创新：；
2.负责设计和优化LLM训练框架，支撑LLM高性能训练。与算法团队、平台团队紧密协作，确保LLM infra的稳定、高性能、可扩展；
3.系统设计与优化：设计并搭建分布式训练框架，跟平台协作，支持千亿级参数大模型的训练；
4.性能调优与成本优化：针对大模型训练任务，优化框架（如PyTorch/VERL等）的分布式策略，提升训练效率；
5.稳定性与可靠性保障：设计高可用架构，解决训练中断、数据丢失等风险，确保长周期训练任务的稳定性；
6.协作与落地：与算法团队紧密合作，理解模型需求，提供基础设施层面的技术建议；推动开源工具的定制化开发，适配业务场景。
岗位要求：
1.计算机科学、分布式系统或相关专业硕士及以上学历，2年以上大模型Infra领域经验；
2.精通PyTorch，熟悉其底层原理与分布式扩展机制；
3.至少熟练使用一种开源训练框架（VERL， ROLL， ms-swift等），可根据业务需求，熟练开发Megatron， Deepspeed 训练引擎 和 VLLM，sglang推理引擎；
4.熟悉GPU集群架构，了解NVIDIA GPU（如A100/H100）的硬件特性与优化方法；
5.掌握分布式系统原理，熟悉Kubernetes、Slurm、Ray等资源调度框架。
岗位介绍：
在腾讯客户端开发的字典里，“敏捷高效”与“精益求精”并不互斥，追求技术的深度是我们共同的信仰。希望你也能在足够广阔的平台上尽情的施展拳脚。