西安·雁塔区
职位详情
岗位职责：
1、规划并实施集群自动化部署方案，构建覆盖监控、弹性伸缩与容灾机制的全链路管理体系。
2、推进GPU/NPU资源池化建设，完成核心调度能力的研发与落地。
3、主导异构计算资源调度系统的开发工作，聚焦于K8s调度框架的功能拓展与持续迭代。
4、构建GPU/NPU算力资源管理平台，健全监控告警、日志采集与成本计量机制，实现集群从创建到退役的可视化管控。
5、研发或集成高效工具链，支持算力资源的动态分配与负载均衡，减少任务等待时间，提升集群吞吐能力。
6、结合GPU/NPU硬件特性，对深度学习模型训练与推理流程进行端到端性能剖析与优化，涵盖CUDA内核调优、算子加速及内存带宽提升等方向。
7、优化RDMA网络资源配置与流量控制策略，应对多任务并发下的PFC风暴挑战。
8、支撑深度学习训练任务运行，改进模型资源分配逻辑以提升利用率。
9、快速排查并处理集群中硬件（如GPU/NPU卡异常）、网络、存储及软件栈层面的各类故障，包括显存泄漏、通信阻塞等关键问题。
10、满足上述能力中5项及以上者优先考虑。
任职要求：
1、具备5年以上相关经验，有大规模GPU/NPU算力集群运维或开发背景，具备AI训练/推理实际项目经历。
2、熟练掌握K8s/Docker等容器技术
3、深刻理解GPU/NPU体系结构（如CUDA、TensorCore、RDMA等），熟悉PyTorch/TensorFlow等框架的分布式训练机制；
4、具有系统性能调优实践，能熟练使用Profiling分析工具；
5、熟悉Prometheus/Grafana/ELK等监控生态，可编写Python/Shell脚本实现自动化操作。
6、了解主流GPU/NPU厂商硬件规格，具备AI算力成本优化经验（如混合精度训练、显存压缩）者优先。
7、具备出色的逻辑思维与故障排查能力，能在高压环境下高效响应紧急问题，具备良好的团队协作与跨团队沟通能力，有撰写技术文档和技术分享的习惯。
8、加分项：掌握 InfiniBand/RoCE 等高性能网络协议
1、规划并实施集群自动化部署方案，构建覆盖监控、弹性伸缩与容灾机制的全链路管理体系。
2、推进GPU/NPU资源池化建设，完成核心调度能力的研发与落地。
3、主导异构计算资源调度系统的开发工作，聚焦于K8s调度框架的功能拓展与持续迭代。
4、构建GPU/NPU算力资源管理平台，健全监控告警、日志采集与成本计量机制，实现集群从创建到退役的可视化管控。
5、研发或集成高效工具链，支持算力资源的动态分配与负载均衡，减少任务等待时间，提升集群吞吐能力。
6、结合GPU/NPU硬件特性，对深度学习模型训练与推理流程进行端到端性能剖析与优化，涵盖CUDA内核调优、算子加速及内存带宽提升等方向。
7、优化RDMA网络资源配置与流量控制策略，应对多任务并发下的PFC风暴挑战。
8、支撑深度学习训练任务运行，改进模型资源分配逻辑以提升利用率。
9、快速排查并处理集群中硬件（如GPU/NPU卡异常）、网络、存储及软件栈层面的各类故障，包括显存泄漏、通信阻塞等关键问题。
10、满足上述能力中5项及以上者优先考虑。
任职要求：
1、具备5年以上相关经验，有大规模GPU/NPU算力集群运维或开发背景，具备AI训练/推理实际项目经历。
2、熟练掌握K8s/Docker等容器技术
3、深刻理解GPU/NPU体系结构（如CUDA、TensorCore、RDMA等），熟悉PyTorch/TensorFlow等框架的分布式训练机制；
4、具有系统性能调优实践，能熟练使用Profiling分析工具；
5、熟悉Prometheus/Grafana/ELK等监控生态，可编写Python/Shell脚本实现自动化操作。
6、了解主流GPU/NPU厂商硬件规格，具备AI算力成本优化经验（如混合精度训练、显存压缩）者优先。
7、具备出色的逻辑思维与故障排查能力，能在高压环境下高效响应紧急问题，具备良好的团队协作与跨团队沟通能力，有撰写技术文档和技术分享的习惯。
8、加分项：掌握 InfiniBand/RoCE 等高性能网络协议
2026-06-06 13:24
IP属地：陕西西安
职位福利
本科3-5年PythonShell负载均衡技术容器技术Go微服务架构SpringBootSpring
中移系统集成有限公司
不需要融资 · 1000-9999人
工作地址
鱼泡安全保障
如遇到办证收费、刷单、传销、诱导买车等违规行为，请立即向鱼泡直聘投诉举报投诉举报 >
附近适合您的职位
收藏职位
