主分类：AI训练推理与计算优化
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型训练稳定性和容错系统专家-Seed",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "机器学习"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、训练稳定性体系搭建与架构优化：负责超大规模分布式训练集群的稳定性架构设计与迭代，定义可量化的稳定性指标，梳理全链路稳定性风险点，建立覆盖全流程的稳定保障体系；\n2、容错机制研发与能力落地：主导训练系统容错能力建设，设计并实现秒级异常发现，分钟级自动故障定位和自动恢复的容错机制，大幅提升大规模训练任务有效训练时长；\n3、故障根因分析与治理：搭建训练故障智能RCA根因分析体系，常态化复盘各类训练稳定性问题，精准定位计算、通信、存储、内核、框架、调度等各层级故障根源，并形成自动化/智能化分析机制；\n4、保持技术敏锐度：深度跟进PyTorch、Megatron-LM、DeepSpeed等主流训练框架特性，调研业界前沿的大规模训练容错、稳定优化技术，持续提升训练系统的可靠性与扩展性。",
"requirements_text": "1、本科及以上学历，计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、有扎实的操作系统原理，熟练掌握Python/C++/Go任意一种开发语言，具备扎实的后端研发与问题排查能力；\n3、熟悉分布式训练原理，具备千卡及以上集群训练稳定性保障实战经验；\n4、熟练掌握PyTorch、NCCL、RDMA等核心技术，能够独立排查训练中的通信异常、性能瓶颈等复杂问题；\n5、具备训练容错、断点续训、故障自愈、慢节点治理等相关功能的研发或落地经验，熟悉大模型训练全链路故障场景与解决方案。\n\n加分项：\n1、熟悉Megatron-LM、DeepSpeed、PyTorch等主流训练框架原理和实现；\n2、熟悉GPU硬件特性、国产异构算力，有训练性能优化实战经验。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"模型训练",
"性能优化",
"大语言模型"
],
"preferred_qualifications": "1、本科及以上学历，计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7655625343685314821/detail"
}
]
},
"posting": {
"posting_id": "7655625343685314821",
"post_date": "2026-06-26",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7655625343685314821/detail"
},
"fulltext": "大模型训练稳定性和容错系统专家-Seed\n职位描述\n团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、训练稳定性体系搭建与架构优化：负责超大规模分布式训练集群的稳定性架构设计与迭代，定义可量化的稳定性指标，梳理全链路稳定性风险点，建立覆盖全流程的稳定保障体系；\n2、容错机制研发与能力落地：主导训练系统容错能力建设，设计并实现秒级异常发现，分钟级自动故障定位和自动恢复的容错机制，大幅提升大规模训练任务有效训练时长；\n3、故障根因分析与治理：搭建训练故障智能RCA根因分析体系，常态化复盘各类训练稳定性问题，精准定位计算、通信、存储、内核、框架、调度等各层级故障根源，并形成自动化/智能化分析机制；\n4、保持技术敏锐度：深度跟进PyTorch、Megatron-LM、DeepSpeed等主流训练框架特性，调研业界前沿的大规模训练容错、稳定优化技术，持续提升训练系统的可靠性与扩展性。\n\n职位要求\n1、本科及以上学历，计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、有扎实的操作系统原理，熟练掌握Python/C++/Go任意一种开发语言，具备扎实的后端研发与问题排查能力；\n3、熟悉分布式训练原理，具备千卡及以上集群训练稳定性保障实战经验；\n4、熟练掌握PyTorch、NCCL、RDMA等核心技术，能够独立排查训练中的通信异常、性能瓶颈等复杂问题；\n5、具备训练容错、断点续训、故障自愈、慢节点治理等相关功能的研发或落地经验，熟悉大模型训练全链路故障场景与解决方案。\n\n加分项：\n1、熟悉Megatron-LM、DeepSpeed、PyTorch等主流训练框架原理和实现；\n2、熟悉GPU硬件特性、国产异构算力，有训练性能优化实战经验。\n团队介绍：字节跳动Seed团队成立于2023年，致力于寻找通用智能的新方法，追求智能上限，为科技和社会发展作出贡献。\nSeed团队在AI领域拥有长期愿景与决心，团队研究方向涵盖MLLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位；目前，团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、即梦、TRAE等超过50个应用场景，并通过火山引擎开放给企业客户；第三方数据显示，豆包App用户量在中国市场排名第一，豆包大模型日均Token调用量行业领先。\n\n1、训练稳定性体系搭建与架构优化：负责超大规模分布式训练集群的稳定性架构设计与迭代，定义可量化的稳定性指标，梳理全链路稳定性风险点，建立覆盖全流程的稳定保障体系；\n2、容错机制研发与能力落地：主导训练系统容错能力建设，设计并实现秒级异常发现，分钟级自动故障定位和自动恢复的容错机制，大幅提升大规模训练任务有效训练时长；\n3、故障根因分析与治理：搭建训练故障智能RCA根因分析体系，常态化复盘各类训练稳定性问题，精准定位计算、通信、存储、内核、框架、调度等各层级故障根源，并形成自动化/智能化分析机制；\n4、保持技术敏锐度：深度跟进PyTorch、Megatron-LM、DeepSpeed等主流训练框架特性，调研业界前沿的大规模训练容错、稳定优化技术，持续提升训练系统的可靠性与扩展性。\n1、本科及以上学历，计算机、软件工程、人工智能、电子信息、微电子等相关专业优先；\n2、有扎实的操作系统原理，熟练掌握Python/C++/Go任意一种开发语言，具备扎实的后端研发与问题排查能力；\n3、熟悉分布式训练原理，具备千卡及以上集群训练稳定性保障实战经验；\n4、熟练掌握PyTorch、NCCL、RDMA等核心技术，能够独立排查训练中的通信异常、性能瓶颈等复杂问题；\n5、具备训练容错、断点续训、故障自愈、慢节点治理等相关功能的研发或落地经验，熟悉大模型训练全链路故障场景与解决方案。\n\n加分项：\n1、熟悉Megatron-LM、DeepSpeed、PyTorch等主流训练框架原理和实现；\n2、熟悉GPU硬件特性、国产异构算力，有训练性能优化实战经验。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}