GPU训练专家

搭建和管理GPU训练集群，优化训练性能与资源调度。

工作职责
1. 搭建和管理GPU训练集群（H100/A100级别），配置分布式训练环境
2. 优化训练性能：混合精度训练（FP16/BF16）、模型并行/数据并行策略、通信优化（NCCL调优）
3. 管理训练任务调度、资源分配和优先级策略
4. 监控训练集群健康状态（GPU利用率、显存、网络带宽），快速定位和解决硬件/软件故障
5. 研究前沿训练加速技术，持续降低训练成本和时间

岗位要求
1. 计算机相关方向本科及以上，3年以上GPU集群/高性能计算经验
2. 精通NVIDIA GPU生态（CUDA/cuDNN/NCCL），有H100/A100集群管理经验
3. 熟悉至少一种分布式训练框架（DeepSpeed/Megatron/FSDP/Horovod）
4. 熟悉Kubernetes和容器化部署，有Slurm/LSF等调度系统经验
5. 有千卡级别训练集群管理经验者优先