训练基础设施工程师

关于我们： 我们是一家具身智能公司，数据平台连接机器人数据采集、数据治理、模型训练和业务落地。我们正在建设从数据集到训练、评测和模型交付的基础设施，持续缩短数据闭环与模型迭代周期。

岗位使命： 负责从数据集到训练任务运行的端到端训练基础设施，让算法团队能够高效、稳定、可复现地完成具身智能模型训练，并持续提升GPU利用率和研发效率。

岗位职责： 1、负责数据集接入、版本管理、抽样、切分、缓存和加载，打通数据集、训练配置、模型产物与评测结果的全链路血缘； 2、设计和建设标准化训练管线，支持预训练、微调、模仿学习、强化学习及多模态模型等任务的提交、编排、失败恢复和复现； 3、建设公有云 GPU 资源调度能力，支持多机多卡、弹性伸缩、异构 GPU、抢占式实例及资源配额，提升集群吞吐和利用率； 4、与算法团队共同优化数据读取、训练启动、分布式通信、Checkpoint 保存与恢复等关键链路的性能和稳定性； 5、建设训练可观测体系，覆盖资源利用率、数据吞吐、训练进度、异常诊断、成本归属和告警； 6、建设统一训练运行环境和制品管理能力，推动镜像、依赖、代码、配置、数据和模型版本标准化； 7、参与容量规划与云成本治理，建立 GPU 队列、配额、优先级和用量核算机制； 8、与数据、算法、仿真、评测和部署团队协作，打通从新数据产生到模型部署验证的闭环。

1、计算机相关专业本科及以上学历，3 年及以上机器学习基础设施、分布式系统、云平台或大数据平台经验； 2、熟练掌握 Python、Go、C++ 中至少一种语言，具备扎实的软件工程和系统排障能力； 3、熟悉 Kubernetes、容器及云原生体系，有 AWS、GCP、Azure 或国内主流公有云 GPU 资源的实际使用经验； 4、熟悉 PyTorch 及至少一种分布式训练技术，如 FSDP、DeepSpeed、Megatron-LM、Ray 等； 5、熟悉对象存储、并行文件系统、数据缓存和高吞吐数据加载，对 I/O、网络及 GPU 性能瓶颈有实际优化经验； 6、理解队列、配额、优先级、Gang Scheduling、容错和弹性调度机制； 7、能将算法团队的探索性需求沉淀为稳定、易用的平台能力。

加分项： 1、有机器人、自动驾驶、多模态大模型、VLA、强化学习或模仿学习平台经验； 2、有数百卡及以上 GPU 集群、多云或混合云训练平台经验； 3、熟悉 Kubeflow、Argo Workflows、Volcano、Kueue、Slurm 或同类系统； 4、有 GPU 利用率、云成本、训练数据加载或大规模 Checkpoint 优化经验； 5、理解视频、图像、深度、点云、关节状态、力觉和动作序列等机器人数据。

我们期待的关键产出： 1、可复现、可观测、可扩展的标准训练管线； 2、更短的训练准备和故障定位时间，更高的 GPU 有效利用率； 3、数据、训练任务、模型和评测结果之间完整可追溯的链路。