Token Foundry-大模型平台研发工程师-训练平台

优缺点分析

角色解读

• 技术专家路线：深耕AI Infra与云原生调度技术，成为该领域的资深架构师
• 技术管理路线：负责更大规模的平台团队或产品方向，进行技术规划和团队管理
• 跨领域发展：基于对底层设施的深刻理解，向AI系统、高性能计算等更广泛领域拓展
• 设计和开发支撑大规模模型训练的底层平台系统，包括任务编排、调度和监控
• 构建面向异构GPU/NPU集群的智能资源调度引擎，提升算力利用效率
• 参与训练平台的容错、弹性恢复等核心能力建设，保障训练任务稳定运行
• 跟踪行业前沿技术，并将其工程化落地到生产环境中
• 扎实的编程能力，精通Go/Java，熟悉Python，并有良好的工程规范
• 深入理解Kubernetes架构与调度机制，具备生产级集群管控和扩展开发经验
• 拥有分布式系统设计与实现经验，能够处理高并发、高复杂的调度问题
• 对AI基础设施或大规模计算有强烈兴趣和一定的知识储备

申请策略

• 面试前研究阿里巴巴在AI Infra领域（如PAI、灵骏智算）的公开技术文章或演讲，了解其技术方向
• 准备描述一个你处理过的最复杂的分布式系统问题，重点讲述你的设计思路和权衡
• 重点突出在分布式系统、云原生（特别是Kubernetes调度与管控）方面的项目经验和具体贡献
• 展示与大规模计算、异构资源管理（如GPU调度）相关的实践成果
• 如有在AI Infra相关开源项目（如K8s调度器、训练框架）的贡献，务必列出
• 强调代码质量、系统设计能力和解决复杂工程问题的案例
• 深入学习Kubernetes的调度器（kube-scheduler）源码和扩展机制（如调度框架、Scheduler Extender）
• 了解主流的大模型分布式训练框架（如Megatron-LM、DeepSpeed）的基本原理及其对调度的需求

面试指南

• 对于系统设计问题，采用‘背景-目标-挑战-方案-结果’的结构进行阐述，突出你的架构思维和技术决策能力
• 对于调度策略问题，先明确优化目标（如提高利用率、保证公平性、满足性能约束），再列举具体的技术手段（如调度算法、数据结构、配置项）并解释原理
• 对于可靠性问题，结合‘故障检测-故障隔离-任务恢复-状态保持’的框架来组织答案，并强调可观测性的重要性
• 描述一个你设计或参与的复杂分布式系统的架构，其中遇到了哪些关键挑战，你是如何解决的？
• 谈谈你对Kubernetes调度器的理解
• 如果要为一个GPU集群设计调度策略（例如考虑拓扑、抢占、优先级），你会如何考虑？
• 如何保证一个大规模、长时间运行的训练任务的稳定性和容错性？请从平台侧给出你的方案
• 如果一个新的大模型训练框架（如Megatron-LM）提出了新的资源需求（如特定网络拓扑），你的平台需要如何适配？