主分类：AI训练推理与计算优化
辅助：云基础设施与系统软件研发（仅展示）
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": "千问Qwen基础大模型训练调度与框架协同优化-阿里星",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "Token Foundry",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里巴巴集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"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.设计和开发面向大规模模型训练的任务智能调度系统，实现调度器与训练框架的深度协同，使资源分配能够感知并行策略拓扑、通信模式和显存需求，提升集群级训练效率和资源利用率；\n2.负责大模型训练引擎与运行时系统的核心架构设计与研发，支持 PyTorch、Megatron-LM、DeepSpeed、FSDP、MoE 等主流训练框架在 Kubernetes 环境下的高性能运行；建设统一的训练任务生命周期管理、分布式启动、资源隔离与训练编排能力，支撑大规模预训练、SFT 与 RL 等场景。\n3.研究和实现面向超大规模卡级大模型训练的高可用与弹性运行机制，构建支持节点故障感知、训练任务自动恢复、弹性扩缩容及并行拓扑动态重构的训练体系；优化分布式 checkpoint、故障恢复与重调度链路，降低大规模训练中的中断、重启与资源等待开销，提升长周期训练任务的稳定性、资源可用性与整体 Goodput。\n4.研究和实现面向大规模训练任务的智能诊断与自动容错能力，建设覆盖 GPU、网络、NCCL、存储及训练框架的全链路监控与异常检测机制；支持断点续训、Pod 级快速拉起、节点自愈、训练任务局部恢复与动态降级，缩短故障定位与恢复时间，降低因异常导致的训练 Badput 与有效算力损耗。\n5.探索前沿技术，对平台演进中的技术需求（如多阶段训练流水线编排、训练-推理混合调度、异构集群适配等）进行预研和设计。",
"requirements_text": "1.具备扎实的计算机基础知识和分布式系统研发经验，C++/Python 编程能力强，对操作系统原理、计算机网络、分布式一致性等系统领域知识有较好的理解和项目应用经验。\n2.熟悉深度学习基本原理和主流深度学习框架（PyTorch），了解分布式训练的基本并行策略（DP/TP/PP/EP）和通信原语（NCCL、AllReduce、P2P）。\n3.熟悉 Megatron-LM、DeepSpeed、TransformerEngine、DualPipe 等训练框架技术，并在研究或实习项目中有相应的实践经历。\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（分布式系统/AI 系统/高性能计算领域顶会/顶刊论文）；\n2.熟悉集群调度系统（Kubernetes、YARN、自研调度器）的设计与实现；\n3.有万卡级大模型训练实战经验，了解训练中的故障模式和稳定性优化；\n4.作为核心贡献者参与开发或负责维护 AI 领域的流行开源项",
"skills": [AI生成
"Python",
"C++",
"Kubernetes",
"PyTorch",
"深度学习",
"分布式系统",
"模型训练",
"团队协作",
"学习能力",
"大语言模型"
],
"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/199908340009?deptCodes="
}
]
},
"posting": {
"posting_id": "199908340009",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199908340009?deptCodes="
},
"fulltext": "千问Qwen基础大模型训练调度与框架协同优化-阿里星\n千问Qwen基础大模型训练调度与框架协同优化-阿里星\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：北京 / 杭州\n\n职位描述\n1.设计和开发面向大规模模型训练的任务智能调度系统，实现调度器与训练框架的深度协同，使资源分配能够感知并行策略拓扑、通信模式和显存需求，提升集群级训练效率和资源利用率；\n2.负责大模型训练引擎与运行时系统的核心架构设计与研发，支持 PyTorch、Megatron-LM、DeepSpeed、FSDP、MoE 等主流训练框架在 Kubernetes 环境下的高性能运行；建设统一的训练任务生命周期管理、分布式启动、资源隔离与训练编排能力，支撑大规模预训练、SFT 与 RL 等场景。\n3.研究和实现面向超大规模卡级大模型训练的高可用与弹性运行机制，构建支持节点故障感知、训练任务自动恢复、弹性扩缩容及并行拓扑动态重构的训练体系；优化分布式 checkpoint、故障恢复与重调度链路，降低大规模训练中的中断、重启与资源等待开销，提升长周期训练任务的稳定性、资源可用性与整体 Goodput。\n4.研究和实现面向大规模训练任务的智能诊断与自动容错能力，建设覆盖 GPU、网络、NCCL、存储及训练框架的全链路监控与异常检测机制；支持断点续训、Pod 级快速拉起、节点自愈、训练任务局部恢复与动态降级，缩短故障定位与恢复时间，降低因异常导致的训练 Badput 与有效算力损耗。\n5.探索前沿技术，对平台演进中的技术需求（如多阶段训练流水线编排、训练-推理混合调度、异构集群适配等）进行预研和设计。\n\n职位要求\n1.具备扎实的计算机基础知识和分布式系统研发经验，C++/Python 编程能力强，对操作系统原理、计算机网络、分布式一致性等系统领域知识有较好的理解和项目应用经验。\n2.熟悉深度学习基本原理和主流深度学习框架（PyTorch），了解分布式训练的基本并行策略（DP/TP/PP/EP）和通信原语（NCCL、AllReduce、P2P）。\n3.熟悉 Megatron-LM、DeepSpeed、TransformerEngine、DualPipe 等训练框架技术，并在研究或实习项目中有相应的实践经历。\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（分布式系统/AI 系统/高性能计算领域顶会/顶刊论文）；\n2.熟悉集群调度系统（Kubernetes、YARN、自研调度器）的设计与实现；\n3.有万卡级大模型训练实战经验，了解训练中的故障模式和稳定性优化；\n4.作为核心贡献者参与开发或负责维护 AI 领域的流行开源项\n\n在招业务\nToken Foundry\n1.设计和开发面向大规模模型训练的任务智能调度系统，实现调度器与训练框架的深度协同，使资源分配能够感知并行策略拓扑、通信模式和显存需求，提升集群级训练效率和资源利用率；\n2.负责大模型训练引擎与运行时系统的核心架构设计与研发，支持 PyTorch、Megatron-LM、DeepSpeed、FSDP、MoE 等主流训练框架在 Kubernetes 环境下的高性能运行；建设统一的训练任务生命周期管理、分布式启动、资源隔离与训练编排能力，支撑大规模预训练、SFT 与 RL 等场景。\n3.研究和实现面向超大规模卡级大模型训练的高可用与弹性运行机制，构建支持节点故障感知、训练任务自动恢复、弹性扩缩容及并行拓扑动态重构的训练体系；优化分布式 checkpoint、故障恢复与重调度链路，降低大规模训练中的中断、重启与资源等待开销，提升长周期训练任务的稳定性、资源可用性与整体 Goodput。\n4.研究和实现面向大规模训练任务的智能诊断与自动容错能力，建设覆盖 GPU、网络、NCCL、存储及训练框架的全链路监控与异常检测机制；支持断点续训、Pod 级快速拉起、节点自愈、训练任务局部恢复与动态降级，缩短故障定位与恢复时间，降低因异常导致的训练 Badput 与有效算力损耗。\n5.探索前沿技术，对平台演进中的技术需求（如多阶段训练流水线编排、训练-推理混合调度、异构集群适配等）进行预研和设计。\n1.具备扎实的计算机基础知识和分布式系统研发经验，C++/Python 编程能力强，对操作系统原理、计算机网络、分布式一致性等系统领域知识有较好的理解和项目应用经验。\n2.熟悉深度学习基本原理和主流深度学习框架（PyTorch），了解分布式训练的基本并行策略（DP/TP/PP/EP）和通信原语（NCCL、AllReduce、P2P）。\n3.熟悉 Megatron-LM、DeepSpeed、TransformerEngine、DualPipe 等训练框架技术，并在研究或实习项目中有相应的实践经历。\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（分布式系统/AI 系统/高性能计算领域顶会/顶刊论文）；\n2.熟悉集群调度系统（Kubernetes、YARN、自研调度器）的设计与实现；\n3.有万卡级大模型训练实战经验，了解训练中的故障模式和稳定性优化；\n4.作为核心贡献者参与开发或负责维护 AI 领域的流行开源项",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T018"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}