saintube

---

# 大规模模型训练的调度与框架协同优化-阿里星/A Star

## 基础信息

毕业起止时间要求：2026-11-01 - 2027-10-31

## 职位描述

1. 设计和开发面向大规模模型训练的智能调度系统，实现调度器与训练框架（ Megatron-LM 、DeepSpeed 、FSDP ）的深度协同，使资源分配能够感知并行策略拓扑、通信模式和显存需求，提升集群级训练效率和资源利用率；
2. 研究和实现万卡级训练的高可用与弹性机制，包括快速故障检测与自动诊断、智能恢复策略（冗余计算、在线重配）、弹性伸缩（节点增减时自动调整并行策略）、高效 checkpoint （增量/异步/分层存储）等，提升训练稳定性和有效训练时间占比；
3. 探索自动并行策略搜索与动态调整技术，基于性能建模、执行模拟或在线 profiling ，自动选择和优化 DP/TP/PP/SP/CP/EP 的多维并行组合，适应异构集群和动态资源环境，降低人工调参成本；
4. 参与 PAI-DLC 训练平台核心能力建设，将技术成果沉淀为可产品化的训练调度和稳定性能力，支撑集团内部和云上客户的大模型训练需求；
5. 有一定的技术前瞻性，可以对平台演进中的技术需求（如多阶段训练流水线编排、训练-推理混合调度、异构集群适配等）进行预研和设计。

## 职位要求

1. 具备扎实的计算机基础知识和分布式系统研发经验，C++/Python 编程能力强，对操作系统原理、计算机网络、分布式一致性等系统领域知识有较好的理解和项目应用经验。
2. 熟悉深度学习基本原理和主流深度学习框架（ PyTorch ），了解分布式训练的基本并行策略（ DP/TP/PP/EP ）和通信原语（ NCCL 、AllReduce 、P2P ）。
3. 熟悉 Megatron-LM 、DeepSpeed 、TransformerEngine 、DualPipe 等训练框架技术，并在研究或实习项目中有相应的实践经历。
4. 具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。

加分项：
1. 有很强的学术研究能力和优秀的学术成果（分布式系统/AI 系统/高性能计算领域顶会/顶刊论文）；
2. 熟悉集群调度系统（ Kubernetes 、YARN 、自研调度器）的设计与实现；
3. 有万卡级大模型训练实战经验，了解训练中的故障模式和稳定性优化；
4. 作为核心贡献者参与开发或负责维护 AI 领域的流行开源项目。

---

# 通义大模型-Token Foundry-AI Infra 工程师

## 基础信息

- 毕业起止时间要求：2026-11-01 - 2027-10-31

## 职位描述

在这里，你将成为大模型技术落地的“幕后推手”。你将参与构建支撑千卡/万卡规模的 AI 计算基础设施，通过软硬件协同优化，解决大模型在训练、推理、调度全链路中的工程挑战。你的代码将直接决定大模型训练的效率、推理的响应速度以及集群资源的利用率，为 AI 时代的算力底座注入核心动力。

具体的职责包括以下相关方向的一项或多项：
1. 算力基建与分布式训练：
- 深入分布式训练架构，优化通信与底层算子性能，解决大规模集群通信瓶颈，提升模型训练的吞吐量与计算效率。参与研究新的训练框架和模式。
极致推理加速：
- 针对大规模推理场景，研发高性能推理引擎，通过 kernel 、框架、与算法结合的有损优化等手段，实现极致的低延迟与高并发。
2. 智能化资源调度与系统：
- 构建大规模 GPU 集群的统一调度与编排系统，实现算力资源的弹性分配与自动化调度，设计与优化面向 AI 计算场景的高性能通信、存储系统，保障海量任务的极致的效率。
3. 工程效率与平台化建设：
- 打造一体化的平台，覆盖大模型研发和迭代的全流程，降低模型迭代门槛，提升研发效能。

## 职位要求

1. 基础条件：
- 计算机、软件工程等相关专业优先。
- 热衷于数据结构和算法、在 ACM 大赛成绩优异者优先；有顶会论文/高影响项目/开源贡献者加分。
2. 专业能力：
- 系统工程与编程能力：具备良好的系统工程基础，熟悉 Linux 开发环境，掌握 Python 、Go 、Java 等至少一门编程语言，具备扎实的工程实现能力。
- 分布式系统：了解分布式系统基本原理（如一致性、容错、扩展性等）。
- AI 系统领域专业知识：对于以下领域中的一项或者多项具备专业能力
- 了解 AI 的基本原理与常见算法，理解模型训练任务的基本流程及其资源需求。
- 了解主流训练推理框架（如 PyTorch 、TensorFlow 、vLLM 、sglang ）的基本使用方式及训练流程。
- 了解异构计算或高性能计算体系，有 GPU 相关优化经验者优先。
3. 能力特质：
- 沟通能力：能与跨域岗位，如：算法、产品等，进行良好的沟通。
- 跨域视野：有较宽的技术视野与知识面，对算法研发流程、数据、GPU 调度、训练、推理等相关领域的技术逻辑都有涉猎。
- 系统思维： 乐于挑战复杂系统的性能极限，具备良好的性能分析与调优能力，喜欢从底层视角拆解并解决问题。
- 极客精神：对 AI 大模型技术充满热情，具备快速学习新技术的能力，渴望在高性能计算领域实现技术突破。

---

# 通义大模型-Token Foundry-Agent Infra 工程师

## 基础信息

毕业起止时间要求：2026-11-01 - 2027-10-31

## 职位描述

负责构建支撑 AI Agent 全生命周期的核心基础设施，涵盖设计构建、训练优化、安全部署、高并发调度及服务化交付等，为 Agent 的规模化落地提供稳定、高效、安全的底层能力。

具体职责包括以下相关方向的一项或多项：
1.Agent 基础设施：设计高并发、可扩展的 Agent 框架，覆盖沙箱执行、容器编排、任务调度及状态管理，支持训练优化与安全部署。
2.安全与稳定性：构建沙箱隔离与委托身份认证，确保 API 安全调用，并实现检查点恢复机制保障长任务可靠性。
3.平台服务能力：开发 LLM 上下文预计算、知识检索等优化能力，封装 SDK/API （如向量检索、观测体系）提升推理效率。
4.AI 能力产品化：模块化输出开发套件（如 CLI/SKLLS ），降低 Agent 构建与调优门槛，支持算法迭代优化。
5.技术前瞻与落地：跟踪 Agent 生态技术进展，推动新技术规模化应用，持续优化架构性能与易用性。
目标：通过高效、安全、先进的基础设施，实现 AI Agent 从开发到生产的全流程支持，加速规模化落地。

## 职位要求

1.基础条件：

- 计算机、软件工程、人工智能等相关专业优先。
- 有顶会论文/高影响项目/开源贡献者加分。

2.专业能力:
- 技术基础：扎实的计算机基础（ OS/网络/数据库），精通至少一门编程语言（ Go/Python/Java/Rust/TypeScript ），熟悉后端技术栈（微服务/消息队列/缓存）及云原生（ K8s/Serverless ）或安全隔离技术（ Docker/gVisor ）。
- AI Agent 专精领域：深入理解大模型原理，熟悉至少一种 Agent 框架（ LangGraph/ADK/LangChain/AutoGen/MetaGPT 等）或核心组件（ RAG/工具调用/SKILLS ），具备 Agent 全生命周期管理（训练/评测/部署）经验，有强化学习或规划算法背景优先。
- Agent Ops 运维实践：掌握 LLMOps （模型版本/监控/部署）及 AgentOps （编排/自愈/状态管理），熟悉可观测性系统（链路追踪/日志分析）。
- 工程与交付能力：擅长 AI Coding 快速原型开发，熟悉测试与变更管理（ CI/静态分析），有高并发优化或多租户隔离经验。

3.能力特质：
- 对 AI 原生应用有热情，能复现前沿技术；追求简洁可扩展的架构，沟通协作能力强。
加分项：
- 有 Agent 优化实战经验、参与 Agent 平台开发、熟悉上下文工程或多 Agent 协同系统。

团队多个校招岗位在招，校招刚启动，hc 充足，欢迎投递～

顶一下，阿里星岗位仍在热招中～

我们团队新开的通义 ATH 的暑期实习岗位也欢迎投递：


# 通义 ATH-AI Infra 工程师（实习）

## 基础信息

- 毕业起止时间要求：2026-11-01 - 2027-10-31
- 笔试方向：阿里巴巴集团 27 届 - 工程方向

## 职位描述

在这里，你将成为大模型技术落地的“幕后推手”。你将参与构建支撑千卡/万卡规模的 AI 计算基础设施，通过软硬件协同优化，解决大模型在训练、推理、调度全链路中的工程挑战。你的代码将直接决定大模型训练的效率、推理的响应速度以及集群资源的利用率，为 AI 时代的算力底座注入核心动力。

具体的职责包括以下相关方向的一项或多项：

1. 算力基建与分布式训练：
- 深入分布式训练架构，优化通信与底层算子性能，解决大规模集群通信瓶颈，提升模型训练的吞吐量与计算效率。参与研究新的训练框架和模式。
极致推理加速：
- 针对大规模推理场景，研发高性能推理引擎，通过 kernel 、框架、与算法结合的有损优化等手段，实现极致的低延迟与高并发。
2. 智能化资源调度与系统：
- 构建大规模 GPU 集群的统一调度与编排系统，实现算力资源的弹性分配与自动化调度，设计与优化面向 AI 计算场景的高性能通信、存储系统，保障海量任务的极致的效率。
3. 工程效率与平台化建设：
- 打造一体化的平台，覆盖大模型研发和迭代的全流程，降低模型迭代门槛，提升研发效能。

## 职位要求

1. 基础条件：
- 计算机、软件工程等相关专业优先。
- 热衷于数据结构和算法、在 ACM 大赛成绩优异者优先；有顶会论文/高影响项目/开源贡献者加分。
2. 专业能力：
- 系统工程与编程能力：具备良好的系统工程基础，熟悉 Linux 开发环境，掌握 Python 、Go 、Java 等至少一门编程语言，具备扎实的工程实现能力。
- 分布式系统：了解分布式系统基本原理（如一致性、容错、扩展性等）。
- AI 系统领域专业知识：对于以下领域中的一项或者多项具备专业能力
- 了解 AI 的基本原理与常见算法，理解模型训练任务的基本流程及其资源需求。
- 了解主流训练推理框架（如 PyTorch 、TensorFlow 、vLLM 、sglang ）的基本使用方式及训练流程。
- 了解异构计算或高性能计算体系，有 GPU 相关优化经验者优先。
3. 能力特质：
- 沟通能力：能与跨域岗位，如：算法、产品等，进行良好的沟通。
- 跨域视野：有较宽的技术视野与知识面，对算法研发流程、数据、GPU 调度、训练、推理等相关领域的技术逻辑都有涉猎。
- 系统思维： 乐于挑战复杂系统的性能极限，具备良好的性能分析与调优能力，喜欢从底层视角拆解并解决问题。
- 极客精神：对 AI 大模型技术充满热情，具备快速学习新技术的能力，渴望在高性能计算领域实现技术突破。

再顶一下，欢迎联系～

自顶一下，hc 充足，欢迎投递和交流～

还没有招满，欢迎大家投递～

热招中，欢迎大家踊跃投递~

@fengsi 我这边没听说，不过学生背景确实在初筛阶段会有一定权重。我们欢迎有对口技术背景和对这方面兴趣较强的同学投递，即使面试没有通过，我们也会争取为你转到合适的部门。

团队的开源项目： https://github.com/koordinator-sh/koordinator