大模型训练生产SRE工程师（深圳/上海/ 北京）

在腾讯，技术人解决问题的激情永不熄灭。无论是面对产品、程序的问题，还是生活与人的问题，腾讯技术人都力图交出漂亮的答卷。我们善用科学工具，以强大的思维之力创造世界，为卓越的产品体验保驾护航，也为公司和产品策略提出宝贵的洞见，用技术引领新的变革。这里的每位成员，既传承着长久以来的务实文化，又时刻以创新眼光瞄准大海星辰。我们十分期待你加入这样一个「技术社区」，分享团队能量，尽情发挥所长。

1.负责大模型训练链路的稳定性治理和模型生产保障；
2.协同包括框架、算力、网络、存储等基础设施，系统建设大模型训练的诊断、可视化、自愈能力；
3.负责大模型训练生产的oncall、排障和流程优化建设。

1.熟悉大模型预训练、后训练流程，熟悉Megatron/PyTorch等框架原理；
2.熟悉GPU、NCCL集合通信和k8s/docker容器技术原理，有GPU硬件、驱动、Cuda、RDMA等调优经验；
3.有大规模任务系统故障排查、分析解决经验者优先；
4.具有强烈的工作责任心和自驱力，有良好的学习沟通能力。