岗位职责：

1.负责全参大模型在GPU集群上的部署与调试，适配集群架构与软件环境，确保模型能正常运行。

2.协助优化大模型训练与推理的代码，结合集群特点调整并行策略、 batch size 等参数，提升模型运行效率。

3. 解决大模型运行过程中出现的系统层面问题（如显存溢出、算力利用率低、网络通信异常等）。

4.参与构建MLOps体系，负责模型训练任务的调度、监控与日志分析，实现训练过程的可视化与可追溯。

5.编写大模型部署与运行的技术文档，形成标准化操作流程，支撑团队高效协作。

任职要求：

1.本科及以上学历，计算机相关专业，3年以上大模型部署或GPU集群应用开发经验。

2.熟练掌握PyTorch/TensorFlow等深度学习框架，具备全参大模型部署与调试经验。

3.熟悉GPU集群的运行机制，了解Slurm/Kubeflow等任务调度系统的使用方法。

4.具备一定的代码优化能力，能针对大模型运行特点进行系统层面的优化调整。

5.良好的问题解决能力与沟通能力，能快速响应模型运行过程中的各类问题。