【2027届校招】模型训练优化工程师

工作内容
你将参与的事
作为模型训练优化工程师，你将深入大模型训练系统的核心，确保自动驾驶 AI 模型的训练高效、稳定、可扩展。你将参与以下方向：
大规模训练稳定性保障：解决千卡/万卡集群训练过程中的软硬件故障、通信瓶颈、数据同步等问题；设计容错与弹性恢复机制，让训练任务在节点故障时能够快速自愈，保障长周期训练的连续性
训练效率极致优化：结合自动驾驶场景的海量多模态数据（视觉、点云、传感器融合）和大模型架构（BEV+Transformer、端到端、VLA、世界模型），持续优化训练吞吐量和收敛效率
分布式训练框架开发与优化：深入参与 DeepSpeed、Megatron-LM、PyTorch FSDP 等主流训练框架的定制开发与性能优化，探索 3D 并行策略（数据并行 / 张量并行 / 流水线并行）、Expert Parallelism（MoE 场景）、通信拓扑优化等前沿技术
故障诊断与可观测性：构建面向大规模训练集群的故障快速定位系统，利用日志分析、性能剖析和分布式追踪技术实时监控训练状态，缩短问题排查周期

任职条件
我们需要的人
基本要求
1.2027届本科及以上学历，计算机科学、人工智能、软件工程、电子工程等相关专业
2.扎实的编程能力：熟练掌握 Python 和 C/C++，具备良好的数据结构与算法基础，能写出高性能、可维护的工程代码
3.系统级理解：了解 Linux 编程，对多线程、内存管理、网络通信、GPU 计算等底层技术有兴趣和基础认知
4.深度学习框架经验：熟悉 PyTorch 等主流深度学习框架，理解其计算图、自动微分、分布式训练的基本原理
5.对大模型训练有热情：关注 LLM / 多模态大模型训练的技术发展，愿意深入理解分布式训练的底层机制
6.良好的沟通能力与责任心：善于团队协作，能主动推进问题解决
加分项
1.分布式训练框架经验：有 DeepSpeed（ZeRO / ZeRO++ / 3D 并行）、Megatron-LM / Megatron-Core、PyTorch FSDP 等框架的实际使用或源码级理解经验
2.GPU 编程与优化：熟悉 CUDA 编程，有 kernel 开发和性能调优经验；了解 FlashAttention、Triton 等 GPU 加速技术
3.训练优化技巧：了解混合精度训练（FP16/BF16/FP8）、激活重计算（Activation Checkpointing）、梯度累积、通信与计算重叠等优化方法
4.竞赛或科研经历：ACM/ICPC、Kaggle 等竞赛获奖，或在 AI / 系统领域顶会（NeurIPS/ICML/CVPR/MLSys/ATC）发表论文
5.相关实习经验：在头部科技公司有大模型训练优化、AI Infra 或自动驾驶算法工程相关的实习经历

为什么选择我们
真实的大规模训练场景：你将面对自动驾驶领域独有的海量多模态数据和复杂模型架构，参与千卡级集群上的真实训练任务
技术深度与广度：从 CUDA kernel 级优化到分布式训练框架设计，从单节点性能调优到万卡集群稳定性保障，技术栈纵深覆盖
快速成长：与自动驾驶和大模型训练领域的资深工程师共事，完善的技术导师制度助你快速成为训练优化领域的核心人才
行业前沿：行业正处于端到端大模型和 VLA 技术爆发期，你的工作将直接影响下一代智能驾驶系统的训练效率