设计并实施大规模具身模型的分布式训练架构，包括数据并行、模型并行、流水线并行等策略

开发和优化多机多卡环境下的训练框架，提升训练效率和系统稳定性

构建高效的分布式仿真环境，支持大规模并行数据收集和策略评估

实现混合并行训练方案，优化通信开销和计算资源利用率

分析和解决分布式训练中的性能瓶颈，包括通信、内存、计算等方面

开发梯度同步优化、通信压缩、重叠计算等性能优化技术

设计和实施容错机制，确保长时间训练的稳定性和可靠性

优化GPU显存使用，支持更大模型和批次的训练

研究和应用最新的分布式训练算法，如ZeRO、MoE等先进技术

开发适应具身智能特点的训练策略，包括多任务学习、元学习、课程学习等

设计高效的强化学习分布式训练框架，支持离线与在线混合训练

探索仿真到实物的迁移学习技术，提升模型在真实环境中的表现

构建自动化训练流水线，实现模型训练、评估、部署的全流程管理

开发训练监控系统，实时跟踪训练状态、资源使用和性能指标

设计和维护多集群训练环境，支持弹性扩缩容和资源调度

建立模型版本管理和实验追踪体系

领导技术方案设计和代码审查，确保代码质量和系统可靠性

指导初级工程师，分享分布式训练的最佳实践和经验

与算法团队、硬件团队紧密合作，优化端到端训练性能

撰写技术文档，沉淀知识体系，推动团队技术成长

3年以上分布式训练相关工作经验

精通PyTorch分布式训练框架（DDP, FSDP, RPC等）

熟悉NCCL、MPI等通信库和性能优化

有大模型（10B+参数）分布式训练实战经验

熟练掌握Python和Linux环境下的开发调试

有具身智能、机器人学习相关项目经验

熟悉强化学习分布式训练框架（Ray, RLlib等）

有Kubernetes、Slurm等集群管理经验

在顶级会议（NeurIPS, ICML, ICLR等）发表过相关论文

熟悉CUDA编程和内核优化

具有竞争力的薪酬待遇和股权激励

业界领先的计算资源（数百张A100/H800集群）

与顶尖团队共事的机会，参与前沿技术研发

良好的职业发展通道和技术成长空间