工作职责:

- 负责 AI 训练/推理场景下通信系统的性能分析与优化，覆盖 NCCL、DeepEP、Mooncake 等主流通信栈
- 负责 MoE 架构通信链路优化，设计并落地高性能 All-to-All、Token Dispatch/Combine、KV 交换等方案，提升集群整体吞吐与稳定性
- 深入分析大规模分布式训练、推理中的系统级问题，包括训练 hang、慢节点、任务异常中断等问题，并推动系统级优化
- 参与自研 AI 通信框架与运行时系统建设，包括通信调度、拓扑优化、异构网络支持、故障恢复等核心能力研发
- 与模型、框架、调度、网络、硬件团队协作，推动 AI Infra 全链路性能优化与稳定性建设
- 建立通信性能基线与评测体系，输出系统化性能分析报告与优化方案

任职要求:

- 本科及以上学历，计算机、软件工程、通信等相关专业，具备扎实的数据结构、操作系统、计算机网络基础
- 熟练掌握 C/C++ 开发，具备 Linux 环境下复杂系统开发与调试经验
- 深入理解 GPU 通信与集合通信原理，熟悉 NCCL/RCCL、MPI、Gloo 等通信框架中的至少一种
- 熟悉 Transformer 与 MoE 架构，理解 TP/PP/DP/EP/CP 等并行策略及其通信特点
- 熟悉 PyTorch Distributed、Megatron-LM、DeepSpeed、vLLM、SGLang 等框架中的至少一种，并具备实际调优经验
- 有大规模 GPU 集群训练/推理经验，能够独立分析并解决通信性能与稳定性问题