分布式训练平台工程师

负责分布式训练平台的性能优化与稳定性提升；优化多机多卡训练的吞吐与资源利用率（GPU/CPU/网络/存储）；定位并解决通信瓶颈、显存压力、长尾卡顿等问题；维护和演进训练调度、资源管理系统及相关基础设施；建设性能基线、监控与告警体系，提升可观测性与问题响应效率。要求本科及以上学历，熟悉 PyTorch 分布式训练（DDP/FSDP 至少其一）、GPU 训练栈（CUDA、NCCL），具备性能分析与优化、工程实践及故障排查能力。