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": "超大规模训练关键技术-阿里星/A Star",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "阿里云",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里云",
"company_industry": "云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 参与FlashMoE等分布式训练框架的优化,重点攻关MoE模型的Expert并行通信优化、负载动态均衡和稀疏激活下的高效训练；\n2. 负责显存优化技术创新(激活重计算、梯度检查点、ZeRO变体),支持万亿参数MoE模型在有限显存下的稳定训练；\n3. 探索多种异构硬件设备(A100/H100/H800/PPU)上的训练性能优化,通过算子融合、通信重叠、显存管理等手段提升MFU；\n4. 支撑集团内部或云上客户万卡级MoE模型训练场景,将技术成果沉淀为PAI-DLC训练平台核心特性；\n5. 推动超大规模训练优化方向的学术影响力产出。",
"requirements_text": "1. 熟悉深度学习基本原理、主流深度学习算法及应用、以及至少一种主流框架(PyTorch、TensorFlow等)；\n2. 熟悉Megatron、TrasformerEngine、DualPipe等框架技术，并在研究或实习项目中有相应的实践经历；\n3. 具备扎实的计算机基础知识、C++/Python编程能力，熟悉常见数据结构和设计模式；\n4. 具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。\n加分项：\n1. 有很强的学术研究能力和优秀的学术成果(AI领域顶会/顶刊论文)；\n2. 熟悉体系结构，并有扎实的高性能计算/AI编译器/推理框架/模型优化经验；\n3. 作为核心贡献者参与开发或者负责维护AI领域的流行开源项目。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"深度学习",
"数据结构",
"团队协作",
"学习能力"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907820104?deptCodes="
}
]
},
"posting": {
"posting_id": "199907820104",
"post_date": "2026-07-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907820104?deptCodes="
},
"fulltext": "超大规模训练关键技术-阿里星/A Star\n超大规模训练关键技术-阿里星/A Star\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：杭州\n\n职位描述\n1. 参与FlashMoE等分布式训练框架的优化,重点攻关MoE模型的Expert并行通信优化、负载动态均衡和稀疏激活下的高效训练；\n2. 负责显存优化技术创新(激活重计算、梯度检查点、ZeRO变体),支持万亿参数MoE模型在有限显存下的稳定训练；\n3. 探索多种异构硬件设备(A100/H100/H800/PPU)上的训练性能优化,通过算子融合、通信重叠、显存管理等手段提升MFU；\n4. 支撑集团内部或云上客户万卡级MoE模型训练场景,将技术成果沉淀为PAI-DLC训练平台核心特性；\n5. 推动超大规模训练优化方向的学术影响力产出。\n\n职位要求\n1. 熟悉深度学习基本原理、主流深度学习算法及应用、以及至少一种主流框架(PyTorch、TensorFlow等)；\n2. 熟悉Megatron、TrasformerEngine、DualPipe等框架技术，并在研究或实习项目中有相应的实践经历；\n3. 具备扎实的计算机基础知识、C++/Python编程能力，熟悉常见数据结构和设计模式；\n4. 具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。\n加分项：\n1. 有很强的学术研究能力和优秀的学术成果(AI领域顶会/顶刊论文)；\n2. 熟悉体系结构，并有扎实的高性能计算/AI编译器/推理框架/模型优化经验；\n3. 作为核心贡献者参与开发或者负责维护AI领域的流行开源项目。\n\n在招业务\n阿里云\n1. 参与FlashMoE等分布式训练框架的优化,重点攻关MoE模型的Expert并行通信优化、负载动态均衡和稀疏激活下的高效训练；\n2. 负责显存优化技术创新(激活重计算、梯度检查点、ZeRO变体),支持万亿参数MoE模型在有限显存下的稳定训练；\n3. 探索多种异构硬件设备(A100/H100/H800/PPU)上的训练性能优化,通过算子融合、通信重叠、显存管理等手段提升MFU；\n4. 支撑集团内部或云上客户万卡级MoE模型训练场景,将技术成果沉淀为PAI-DLC训练平台核心特性；\n5. 推动超大规模训练优化方向的学术影响力产出。\n1. 熟悉深度学习基本原理、主流深度学习算法及应用、以及至少一种主流框架(PyTorch、TensorFlow等)；\n2. 熟悉Megatron、TrasformerEngine、DualPipe等框架技术，并在研究或实习项目中有相应的实践经历；\n3. 具备扎实的计算机基础知识、C++/Python编程能力，熟悉常见数据结构和设计模式；\n4. 具有很强的学习能力、复杂问题归纳梳理能力、沟通和团队协作能力，具备能够深度钻研技术的耐心。\n加分项：\n1. 有很强的学术研究能力和优秀的学术成果(AI领域顶会/顶刊论文)；\n2. 熟悉体系结构，并有扎实的高性能计算/AI编译器/推理框架/模型优化经验；\n3. 作为核心贡献者参与开发或者负责维护AI领域的流行开源项目。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}