百度
平台研发工程师实习生（大模型训推任务故障诊断方向）（J97862）
平台研发工程师实习生（大模型训推任务故障诊断方向）（J97862）
发布于 大约 21 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
本科
GPU
PyTorch
监控系统
TensorFlow
故障诊断
大模型训练
AI 估算 · 4k–6k
百度大厂实习，技术岗位，北京地区实习生薪资约200-300元/天，按月估算
职位详情
关于这个职位
这是一个百度的平台研发实习生岗位，专注于大模型训练与推理任务的故障诊断
你将参与GPU集群的监控和异常诊断工具开发，帮助定位和解决训练任务中的hang、OOM等问题
适合对AI基础设施和系统稳定性感兴趣的同学
最低要求
计算机或相关专业，本科及以上在读，具备扎实的数据结构与操作系统基础，理解进程调度、内存管理与网络通信等基本原理
具备良好的编程能力与工程规范意识，熟悉Python（优先）/ Go / Java 中至少一门语言
熟悉Linux环境，能够使用常见命令进行问题排查，包括top / ps / lsof / nvidia-smi / netstat / dmesg 等
了解基本的性能分析工具（如perf）
了解至少一种主流AI框架（如PyTorch或TensorFlow）的基本运行机制，理解训练任务执行流程及多机多卡训练基本原理
具备系统化的问题定位能力，能够结合日志、指标与系统状态进行结构化分析，对复杂系统故障排查与性能优化有兴趣
工作职责
参与大模型训练与推理任务的运行监控与故障定位体系建设，支撑GPU集群稳定运行
设计与开发异常诊断工具，支持对训练/推理任务hang、GPU利用率异常、OOM、通信卡死等问题进行自动化排查与根因定位
沉淀典型故障模式与排查流程，形成标准化诊断SOP，推动问题闭环解决与系统性优化
建设GPU任务运行指标体系与可观测能力，提升异常检测与问题响应效率
协助分析GPU利用率、显存利用率、通信耗时等关键指标，推动资源利用率优化与调度效率提升
优先资格
有处理GPU任务hang / OOM / 利用率异常等问题经验者优先
AI 洞察
优缺点分析
- 接触前沿的大模型训练技术，积累宝贵的GPU集群运维经验
- 百度大厂平台，技术氛围浓厚，有导师带教
- 工作内容技术性强，能显著提升系统故障排查和自动化能力
- 涉及复杂的大模型训练系统，问题排查可能较为困难，需要较强的耐心和钻研精神
- 作为实习生需快速上手多种工具和框架，学习曲线较陡
- 工作强度可能较大，尤其在训练任务故障时需要及时响应
- 适合对AI基础设施和系统可靠性有浓厚兴趣，喜欢钻研技术难题，具备较强动手能力的计算机专业学生
角色解读
- 向AI基础设施或系统可靠性工程方向深入，成为大模型训练平台专家
- 积累GPU集群优化经验，可转向高性能计算或云原生基础设施领域
- 未来可发展为技术团队核心，负责更大规模的训练系统设计与优化
- 参与大模型训练和推理任务的运行监控，确保GPU集群稳定运行
- 设计和开发自动化诊断工具，定位训练任务中的hang、OOM、通信故障等问题
- 总结故障模式，形成标准化的排查流程，推动问题闭环解决
- 建设任务运行的指标体系，提升异常检测和响应效率
- 扎实的编程基础，熟悉Python或Go/Java，能在Linux环境下进行问题排查
- 了解系统原理，包括进程调度、内存管理、网络通信等
- 熟悉至少一种AI框架（PyTorch/TensorFlow），理解多机多卡训练原理
- 具备结构化分析能力，能结合日志和系统状态定位复杂故障
申请策略
- 了解百度的深度学习平台（如飞桨PaddlePaddle）和实习项目背景
- 面试时准备好一个自己解决复杂问题的事例，突出分析过程
- 突出Linux系统使用和编程项目经验，尤其是Python相关
- 如有AI框架使用或分布式训练经历，重点描述
- 强调任何系统监控、故障诊断或性能优化相关项目
- 展示对GPU计算和集群管理的了解，比如使用过nvidia-smi
- 提前熟悉PyTorch分布式训练原理和常见故障模式
- 学习常用Linux性能分析工具（perf、strace等）
面试指南
- 采用系统化方法：先收集日志和指标（如GPU显存、利用率），缩小范围，再深入检查网络、代码或配置
- 举例说明：使用具体项目经历，按问题描述→分析过程→解决方案→结果的框架回答
- 如何诊断一个GPU训练任务hang的问题？
- 描述你过去排查过一个系统性能瓶颈的经历
- 解释PyTorch DDP（分布式数据并行）的工作原理
- 当你发现GPU利用率低时，你会如何分析和优化？
- 什么是OOM？如何定位OOM的根因？
- 复习PyTorch/TensorFlow分布式训练的基本概念和常用命令
匹配度报告
64
综合匹配度
顶级大厂实习，前沿技术栈，技能成长机会极佳，但WLB和薪资一般
适合人群
最看重技术成长和能力提升的求职者，适合希望在AI基础设施领域快速积累经验的学生。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利50
成长发展95
工作生活40
使命价值70
薪资福利匹配
50较低
实习薪资在行业中属于正常水平，但相比正式员工较低，且福利未明确提及。
薪资信号未披露 (4K-6K/月)
成长发展匹配
95较高
该岗位涉及前沿的大模型训练技术，能快速积累系统诊断和AI基础设施经验，成长价值极高。
技术前沿前沿/新兴技术
技术栈大模型、GPU、分布式训练、故障诊断、PyTorch
业务类型cost_center
工作生活匹配
40较低
实习生通常需要现场办公，且工作可能涉及紧急故障响应，work-life balance一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
70中等
大模型是当前AI热点，工作具有技术探索意义，但直接社会影响力不明显。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs