阿里云智能-AI工程平台研发技术专家-杭州/北京

岗位介绍：面向大模型训练与推理，负责研发验证与交付工程平台建设，覆盖代码集成、镜像构建、环境部署、性能与质量评测、版本发布和业务交付。通过平台化的任务编排、自动化验证和数据分析，让框架、模型与硬件的迭代具备可复现、可对比、可追溯的工程闭环，提高研发效率和交付可靠性。工作职责：1. 负责 AI Infra 工程平台的设计与研发，建设任务编排、算力资源接入、状态管理、失败恢复及结果追踪能力，将构建、部署、验证和发布环节串联为 CICD 流程，支持多模型、多框架、多硬件环境的持续集成与交付。2. 建设训练与推理自动化验证体系，覆盖功能正确性、精度一致性、分布式运行、稳定性及性能回归；建立可复现的评测方法、基线和质量门禁，及时发现版本退化。3. 建设性能评测与分析能力，围绕训练吞吐、收敛表现、推理吞吐与时延、显存占用等指标，管理评测配置、历史数据及日志与 Profile 产物，支持版本对比、性能回归分析和问题定位。4. 完善镜像、依赖、模型及配置的版本管理，打通测试环境到交付环境的部署、验证、灰度发布与回滚流程，确保代码、运行环境、评测结果和交付版本之间可追溯，提高环境一致性和发布可靠性。5. 与训练框架、推理引擎、算力平台及业务团队协作，将研发验证和交付需求沉淀为可复用的平台能力，持续改善流水线效率、算力利用率和问题闭环效率。1. 具备扎实的软件工程与后端研发能力，熟练使用 Python 或 Go，能够独立完成服务设计、开发、测试及故障排查；具备复杂系统建设经验。2. 熟悉 Linux、容器及 Kubernetes，具备 CICD、工作流编排或任务调度系统的研发经验，理解任务依赖、并发控制、重试、幂等和可观测性设计。3. 了解大模型训练与推理的基本流程，在 PyTorch、Megatron-LM、DeepSpeed、SGLang、vLLM 等框架或引擎中至少具备一类实际使用经验；理解分布式执行、GPU 资源及常见性能指标。4. 具备自动化验证或性能评测经验，能够设计可复现的实验、识别环境与配置差异，并结合日志、指标和 Profile 数据定位问题。5. 能够将跨团队需求转化为清晰的系统设计与实施方案，兼顾可维护性、可靠性和交付效率。技术专家需具备整体方案设计、技术取舍及复杂项目推进能力。加分项：有 GPU 集群或异构加速器适配验证经验；有大模型训练或推理平台、性能评测平台、研发效能平台建设经验；有开源框架贡献或训练与推理问题定位实践。