AI推理平台-百炼AI Infra(PostTrain)技术专家/高级开发工程师-北京/杭州

优缺点分析

角色解读

• 在技术专家方向深入，成为分布式训练和AI基础设施领域的权威
• 向技术管理方向发展，带领团队负责百炼平台后训练架构的演进
• 在AI大模型领域持续深耕，参与前沿技术研究，推动模型训练效率与效果提升
• 负责百炼平台后训练技术架构设计与性能优化，建设LLM/MLLM及AIGC场景的生产级微调与对齐能力
• 负责十亿至万亿级参数模型分布式训练的工程落地，定位计算、显存、通信与系统瓶颈，提升MFU并降低训练成本
• 主导数据管线（数据合成、效果评测、数据回流）与高鲁棒Rubric/Reward体系的架构设计与开发，牵引模型持续迭代
• 负责分布式训练容错及弹性架构，优化端到端后训练性能与稳定性，保障生产级SLA
• 精通Python/C++/Rust等至少一种编程语言，具备扎实的系统架构设计能力
• 深入理解深度学习框架（PyTorch/DeepSpeed等），具备大规模GPU集群训练排错与性能调优经验
• 熟悉LLM/MLLM或AIGC后训练算法流程（SFT、PRM、Agentic RL等），具备后训练框架二次开发或自研经验者优先
• 具备良好的沟通协调能力、项目推动力与团队合作精神

申请策略

• 了解阿里巴巴百炼平台和AI基础设施的业务方向，在面试中展现对业务的思考
• 准备一个关于分布式训练性能优化的深度案例，展示解决问题的思路
• 突出大规模GPU集群训练排错与性能调优的项目经验，用具体数据展示成果
• 强调对PyTorch/DeepSpeed等框架的深入理解，以及后训练框架二次开发或自研经验
• 展示在LLM/MLLM或AIGC后训练算法流程（SFT、PRM、Agentic RL等）方面的实践
• 体现系统架构设计能力，以及复杂业务场景工程落地的成功案例
• 深入理解分布式训练原理，如数据并行、模型并行、流水线并行等
• 熟悉GPU集群的硬件架构和网络拓扑，了解常见性能瓶颈

面试指南

• 采用STAR法则，清晰描述情境、任务、行动和结果，突出技术难点和解决方案
• 结合具体项目经验，展示系统化的分析思路和工程实践能力
• 体现对前沿技术的关注和深入理解，展现学习能力和技术热情
• 请描述一次你解决大规模GPU集群训练性能瓶颈的经历
• 如何设计一个高鲁棒的Reward模型来提升模型对齐效果？
• 在分布式训练中，如何应对网络死锁或显存OOM问题？
• 谈谈你对SFT、PRM、Agentic RL等后训练算法的理解
• 如何平衡训练成本与模型效果？