{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "阿里国际站/Alibaba.com-大模型训练基础设施工程师-Accio",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类-算法"AI生成
    },
    "company": {
        "company_name": "阿里国际数字商业",
        "company_industry": "跨境电商",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里国际数字商业业务涉及国际电商平台及跨境商品交易。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、支撑模型团队使用 Megatron 进行大规模分布式训练，处理 tensor parallel、pipeline parallel、data parallel、expert parallel、sequence/context parallel 等并行策略相关问题;\n2、支撑模型团队使用 SGLang 进行高吞吐推理和 rollout，优化 batching、KV cache、prefill/decode 调度、长上下文稳定性和在线训练链路；\n3、设计和实现面向更大模型规模的 post-training infra，降低训练资源成本，提高实验迭代效率和系统稳定性；\n4、建设 profiling、benchmark、monitoring 和 debugging 工具，提升训练吞吐、GPU utilization、rollout 稳定性和故障定位效率；\n5、与研究员和模型工程师紧密合作，把新的训练想法快速落地成可复现、可扩展、可长期维护的系统能力。",
        "requirements_text": "1、扎实的工程能力，熟悉 Python，最好熟悉一种系统语言或高性能计算相关语言，例如 C++、CUDA、Rust 或 Go；\n2、熟悉 PyTorch 生态，理解大模型训练的基本流程，包括 forward/backward、optimizer、checkpoint、activation checkpointing、mixed precision 等；\n3、有分布式系统或大规模训练经验，理解 GPU 集群、NCCL、通信开销、显存瓶颈、吞吐优化和故障恢复；\n4、对 Megatron、DeepSpeed、FSDP、SGLang、vLLM、TensorRT-LLM、Ray 等训练或推理系统中的至少一类有实际使用或开发经验；\n5、理解大模型 post-training 的基本范式，例如 SFT、DPO、PPO、GRPO、RLHF、RLAIF 或 agentic RL；\n6、能够在复杂系统中定位问题：从日志、metric、profile、checkpoint、到分布式 rank 行为，都愿意追到根因；\n7、有强 ownership，能把一次性的实验脚本沉淀成可复用的工具、模板、文档和稳定接口；\n8、能和研究团队高效协作，既尊重研究速度，也重视系统正确性和长期可维护性。\n加分项：做过 LLM training infra、RLHF infra、online RL、agent training、tool-use training、MoE 训练、低精度训练/推理、PEFT 或高质量开源 infra 项目。",
        "skills": [AI生成
            "Python",
            "C++",
            "Rust",
            "PyTorch",
            "CUDA",
            "分布式系统",
            "模型训练",
            "Go",
            "大语言模型"
        ],
        "preferred_qualifications": "加分项：做过 LLM training infra、RLHF infra、online RL、agent training、tool-use training、MoE 训练、低精度训练/推理、PEFT 或高质量开源 infra 项目",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100023735013"
            }
        ]
    },
    "posting": {
        "posting_id": "100023735013",
        "post_date": "2026-08-13",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100023735013"
    },
    "fulltext": "阿里国际站/Alibaba.com-大模型训练基础设施工程师-Accio\n阿里国际站/Alibaba.com-大模型训练基础设施工程师-Accio\n\n基础信息\n职位类别：技术类-算法\n工作地点：杭州\n\n职位描述\n1、支撑模型团队使用 Megatron 进行大规模分布式训练，处理 tensor parallel、pipeline parallel、data parallel、expert parallel、sequence/context parallel 等并行策略相关问题;\n2、支撑模型团队使用 SGLang 进行高吞吐推理和 rollout，优化 batching、KV cache、prefill/decode 调度、长上下文稳定性和在线训练链路；\n3、设计和实现面向更大模型规模的 post-training infra，降低训练资源成本，提高实验迭代效率和系统稳定性；\n4、建设 profiling、benchmark、monitoring 和 debugging 工具，提升训练吞吐、GPU utilization、rollout 稳定性和故障定位效率；\n5、与研究员和模型工程师紧密合作，把新的训练想法快速落地成可复现、可扩展、可长期维护的系统能力。\n\n职位要求\n1、扎实的工程能力，熟悉 Python，最好熟悉一种系统语言或高性能计算相关语言，例如 C++、CUDA、Rust 或 Go；\n2、熟悉 PyTorch 生态，理解大模型训练的基本流程，包括 forward/backward、optimizer、checkpoint、activation checkpointing、mixed precision 等；\n3、有分布式系统或大规模训练经验，理解 GPU 集群、NCCL、通信开销、显存瓶颈、吞吐优化和故障恢复；\n4、对 Megatron、DeepSpeed、FSDP、SGLang、vLLM、TensorRT-LLM、Ray 等训练或推理系统中的至少一类有实际使用或开发经验；\n5、理解大模型 post-training 的基本范式，例如 SFT、DPO、PPO、GRPO、RLHF、RLAIF 或 agentic RL；\n6、能够在复杂系统中定位问题：从日志、metric、profile、checkpoint、到分布式 rank 行为，都愿意追到根因；\n7、有强 ownership，能把一次性的实验脚本沉淀成可复用的工具、模板、文档和稳定接口；\n8、能和研究团队高效协作，既尊重研究速度，也重视系统正确性和长期可维护性。\n加分项：做过 LLM training infra、RLHF infra、online RL、agent training、tool-use training、MoE 训练、低精度训练/推理、PEFT 或高质量开源 infra 项目。\n1、支撑模型团队使用 Megatron 进行大规模分布式训练，处理 tensor parallel、pipeline parallel、data parallel、expert parallel、sequence/context parallel 等并行策略相关问题;\n2、支撑模型团队使用 SGLang 进行高吞吐推理和 rollout，优化 batching、KV cache、prefill/decode 调度、长上下文稳定性和在线训练链路；\n3、设计和实现面向更大模型规模的 post-training infra，降低训练资源成本，提高实验迭代效率和系统稳定性；\n4、建设 profiling、benchmark、monitoring 和 debugging 工具，提升训练吞吐、GPU utilization、rollout 稳定性和故障定位效率；\n5、与研究员和模型工程师紧密合作，把新的训练想法快速落地成可复现、可扩展、可长期维护的系统能力。\n1、扎实的工程能力，熟悉 Python，最好熟悉一种系统语言或高性能计算相关语言，例如 C++、CUDA、Rust 或 Go；\n2、熟悉 PyTorch 生态，理解大模型训练的基本流程，包括 forward/backward、optimizer、checkpoint、activation checkpointing、mixed precision 等；\n3、有分布式系统或大规模训练经验，理解 GPU 集群、NCCL、通信开销、显存瓶颈、吞吐优化和故障恢复；\n4、对 Megatron、DeepSpeed、FSDP、SGLang、vLLM、TensorRT-LLM、Ray 等训练或推理系统中的至少一类有实际使用或开发经验；\n5、理解大模型 post-training 的基本范式，例如 SFT、DPO、PPO、GRPO、RLHF、RLAIF 或 agentic RL；\n6、能够在复杂系统中定位问题：从日志、metric、profile、checkpoint、到分布式 rank 行为，都愿意追到根因；\n7、有强 ownership，能把一次性的实验脚本沉淀成可复用的工具、模板、文档和稳定接口；\n8、能和研究团队高效协作，既尊重研究速度，也重视系统正确性和长期可维护性。\n加分项：做过 LLM training infra、RLHF infra、online RL、agent training、tool-use training、MoE 训练、低精度训练/推理、PEFT 或高质量开源 infra 项目。",
    "standard_classification": {
        "std_category_code": "T014",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}