视频生成模型 · 训练 Infra 工程师

About the role

我们正在训练自研视频生成基础模型(DiT / Flow Matching)，需要一位既能搭建训练平台，又能将研究代码部署到数百卡集群并确保稳定结果的工程师。

Responsibilities

• 训练平台搭建：从作业调度、断点续训、监控告警到数据/权重流水线，把分散的脚本沉淀为团队可复用的训练基础设施。
• 数百卡规模的分布式训练：FSDP、张量并行、Context Parallel、Ulysses，把MFU推到合理水位。
• PB级视频数据pipeline：NVDEC解码、VAE latent缓存、变分辨率bucket sampling。
• 显存与性能：FlashAttention、FP8混合精度、Triton kernel、activation checkpoint策略。
• 训练稳定性：loss spike根因分析、断点秒级恢复、慢节点自动剔除。

Requirements

• 精通PyTorch distributed与CUDA体系结构。
• 至少一个主流训练框架（Megatron/DeepSpeed/FSDP/TorchTitan）的源码级理解。
• ≥256卡训练实战经验。
• 有从零或半程搭建训练平台/集群调度/训练工具链的经验。

Qualifications

• DiT/Diffusion/视频数据处理经验。
• 写过Triton/CUTLASS kernel。
• 对HunnyuanVideo/Wan/CogVideoX等开源项目有源码级了解。

Benefits

提供真实数百卡算力、把训练当工程问题的团队、合规边界内的开源/发表空间。

Pay

TBD

Schedule

TBD