1. 大模型训练全流程性能分析。负责 LDM 模型（Large Data Model）预训练与后训练场景下的端到端性能分析，定位计算、显存和通信瓶颈，系统性提升 GPU 利用率，降低算法团队整体训练成本 2. 算法迭代的 Infra 演进式支持。针对模型结构演进（如 Attention 变体）、Loss 计算更新、Optimizer 策略变化等日常算法迭代，提供及时的 Infra 性能支持方案与演进计划，确保算法迭代不被性能问题阻塞，缩短模型实验周期 3. 大规模 scale-up 训练支撑。设计并实现大规模分布式训练方案，综合权衡各类并行策略，在模型规模/数据规模持续扩大的情况下，做好计算、显存和通信的整体平衡，支撑百卡至千卡级稳定训练 4. 保障 Infra 代码质量和稳定性。与 Infra QA 团队紧密协作，主导性能回归问题的定位与修复；参与 Benchmark 标准制定和 Gitlab CI 系统落地，确保训推框架在高频迭代中长期健康演进 5. 推理性能优化与方案设计。针对大批量数据 & 有限显存资源场景，设计高效的分布式推理方案，在保障推理精度一致性的前提下，最大化吞吐和资源利用率，为未来推理服务化奠定工程基础

1. 学历与经验：计算机、软件工程、人工智能等相关专业，硕士及以上学历，3-8 年 AI 训练/推理框架优化经验 2. 分布式训练基础：深入理解 Transformer 架构和核心逻辑；熟悉主流并行策略原理、变体适用场景；熟悉混合精度训练的收益和限制；熟悉 Megatron-LM 或 Deepspeed 训练框架，并有百卡以上 GPU 集群训练调优经历 3. Pytorch 与训练流程：精通 Pytorch 框架，熟悉训练全流程，能够快速定位并解决训练中的功能性错误、数值不稳定性和性能退化问题 4. 性能分析与高性能计算：熟练掌握复杂环境（多机多卡、CPU+GPU）的性能分析方法，快速根据日志或 Profiler 工具快速定位性能瓶颈；深入理解 CUDA 常见概念及对性能的影响（如 Stream 等）；基于算子 Benchmark 数据进行算子选型与替换决策 5. 编程语言：精通 Python，良好设计/封装能力；熟悉 C/C++，能够在 Native 源码基础上 Debug 或轻量扩展 6. 软素质：工作细心踏实不浮躁；沟通顺畅，与算法和其他 Infra 角色高效协作；具备 owner 意识，对训推稳定性和性能结果负责 加分项： 1. 有 CPU 性能优化经验（SIMD、多进程/线程并发、内存布局优化等），在数据生成或预处理阶段落地过优化方案 2. 熟悉主流推理框架（vLLM / SGLang 等），了解 KV cache、PagedAttention、Batching、低比特量化等关键机制 3. 有变长数据训练经验或 FP8 精度的训练优化经验