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": "Token Foundry-大模型训练Infra工程师-训练稳定性方向",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-开发"AI生成
},
"company": {
"company_name": "通义",
"company_industry": "人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "通义提供人工智能模型及文档阅读等AI应用。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 2,
"degree": "计算机、电子、自动化等相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 建设超大规模训练的稳定性治理体系，围绕有效训练时长（ETTR）与 Goodput 做端到端度量与优化，量化并持续压缩因故障、回滚、启动带来的无效算力（Badput）。\n2. 构建覆盖软硬件异常的故障可观测能力，完善日志、指标、事件的采集与关联分析；研发智能诊断能力，实现训练 slow / hang / OOM / 通信异常等故障的快速定界与根因追溯，沉淀故障模式库与自动诊断规则。\n3. 研发自动容错与快速恢复机制，支持断点续训、Pod 级快速重启、节点自动自愈、动态降级与局部重试；优化 failover、本地盘 / 缓存与 Checkpoint 恢复链路，缩短故障恢复时延。\n4. 建设节点健康度评估与主动巡检体系，覆盖 GPU、网络、存储等软硬件健康，实现故障节点的快速隔离与自愈；支持 Ray 等分布式框架下的作业级故障感知与处理。\n5. 与算法及框架团队协同保障训练全生命周期稳定交付，沉淀可复用的稳定性平台能力，推动变更灰度与自动化运维。",
"requirements_text": "1. 计算机、电子、自动化等相关专业本科及以上学历，2 年以上分布式系统或大规模基础设施研发经验。\n2. 扎实的分布式系统与 Linux 基础，熟悉常用性能与故障诊断工具（nvidia-smi、nsight、perf、py-spy、gdb、strace 等），有较强的疑难问题定位能力。\n3. 具备以下至少一个方向的深度实践经验：\na. 大规模分布式作业的容错与自愈系统（故障检测、断点续训、快速重启、failover、Checkpoint 恢复优化，类比 DLRover 等开源项目）；\nb. 大规模系统可观测与智能诊断（日志 / 指标 / 事件关联分析、根因定位、异常检测）；\nc. 节点健康度评估、硬件故障诊断或 SRE / 稳定性工程体系建设。\n4. 了解大模型训练 / RL 的基本流程与常见故障模式（slow、hang、OOM、NCCL 通信异常等），了解 PyTorch、Ray 等框架的运行机制；具备良好的问题抽象与系统设计能力。\n5. 良好的工程素养与跨团队协作能力，能在高强度、快迭代的大模型训练场景中稳定交付。",
"skills": [AI生成
"Linux",
"PyTorch",
"分布式系统",
"模型训练",
"团队协作",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100029680001"
}
]
},
"posting": {
"posting_id": "100029680001",
"post_date": "2026-08-26",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100029680001"
},
"fulltext": "Token Foundry-大模型训练Infra工程师-训练稳定性方向\nToken Foundry-大模型训练Infra工程师-训练稳定性方向\n\n基础信息\n职位类别：技术类-开发\n工作地点：北京 / 杭州\n\n职位描述\n1. 建设超大规模训练的稳定性治理体系，围绕有效训练时长（ETTR）与 Goodput 做端到端度量与优化，量化并持续压缩因故障、回滚、启动带来的无效算力（Badput）。\n2. 构建覆盖软硬件异常的故障可观测能力，完善日志、指标、事件的采集与关联分析；研发智能诊断能力，实现训练 slow / hang / OOM / 通信异常等故障的快速定界与根因追溯，沉淀故障模式库与自动诊断规则。\n3. 研发自动容错与快速恢复机制，支持断点续训、Pod 级快速重启、节点自动自愈、动态降级与局部重试；优化 failover、本地盘 / 缓存与 Checkpoint 恢复链路，缩短故障恢复时延。\n4. 建设节点健康度评估与主动巡检体系，覆盖 GPU、网络、存储等软硬件健康，实现故障节点的快速隔离与自愈；支持 Ray 等分布式框架下的作业级故障感知与处理。\n5. 与算法及框架团队协同保障训练全生命周期稳定交付，沉淀可复用的稳定性平台能力，推动变更灰度与自动化运维。\n\n职位要求\n1. 计算机、电子、自动化等相关专业本科及以上学历，2 年以上分布式系统或大规模基础设施研发经验。\n2. 扎实的分布式系统与 Linux 基础，熟悉常用性能与故障诊断工具（nvidia-smi、nsight、perf、py-spy、gdb、strace 等），有较强的疑难问题定位能力。\n3. 具备以下至少一个方向的深度实践经验：\na. 大规模分布式作业的容错与自愈系统（故障检测、断点续训、快速重启、failover、Checkpoint 恢复优化，类比 DLRover 等开源项目）；\nb. 大规模系统可观测与智能诊断（日志 / 指标 / 事件关联分析、根因定位、异常检测）；\nc. 节点健康度评估、硬件故障诊断或 SRE / 稳定性工程体系建设。\n4. 了解大模型训练 / RL 的基本流程与常见故障模式（slow、hang、OOM、NCCL 通信异常等），了解 PyTorch、Ray 等框架的运行机制；具备良好的问题抽象与系统设计能力。\n5. 良好的工程素养与跨团队协作能力，能在高强度、快迭代的大模型训练场景中稳定交付。\n1. 建设超大规模训练的稳定性治理体系，围绕有效训练时长（ETTR）与 Goodput 做端到端度量与优化，量化并持续压缩因故障、回滚、启动带来的无效算力（Badput）。\n2. 构建覆盖软硬件异常的故障可观测能力，完善日志、指标、事件的采集与关联分析；研发智能诊断能力，实现训练 slow / hang / OOM / 通信异常等故障的快速定界与根因追溯，沉淀故障模式库与自动诊断规则。\n3. 研发自动容错与快速恢复机制，支持断点续训、Pod 级快速重启、节点自动自愈、动态降级与局部重试；优化 failover、本地盘 / 缓存与 Checkpoint 恢复链路，缩短故障恢复时延。\n4. 建设节点健康度评估与主动巡检体系，覆盖 GPU、网络、存储等软硬件健康，实现故障节点的快速隔离与自愈；支持 Ray 等分布式框架下的作业级故障感知与处理。\n5. 与算法及框架团队协同保障训练全生命周期稳定交付，沉淀可复用的稳定性平台能力，推动变更灰度与自动化运维。\n1. 计算机、电子、自动化等相关专业本科及以上学历，2 年以上分布式系统或大规模基础设施研发经验。\n2. 扎实的分布式系统与 Linux 基础，熟悉常用性能与故障诊断工具（nvidia-smi、nsight、perf、py-spy、gdb、strace 等），有较强的疑难问题定位能力。\n3. 具备以下至少一个方向的深度实践经验：\na. 大规模分布式作业的容错与自愈系统（故障检测、断点续训、快速重启、failover、Checkpoint 恢复优化，类比 DLRover 等开源项目）；\nb. 大规模系统可观测与智能诊断（日志 / 指标 / 事件关联分析、根因定位、异常检测）；\nc. 节点健康度评估、硬件故障诊断或 SRE / 稳定性工程体系建设。\n4. 了解大模型训练 / RL 的基本流程与常见故障模式（slow、hang、OOM、NCCL 通信异常等），了解 PyTorch、Ray 等框架的运行机制；具备良好的问题抽象与系统设计能力。\n5. 良好的工程素养与跨团队协作能力，能在高强度、快迭代的大模型训练场景中稳定交付。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}