到岗时间：不限
婚况要求：不限
岗位职责:
1. 单机与集***付
负责GPU服务器的安装、调试及上架工作，确保服务器硬件系统初始状态正常；
完成大规模GPU集群上线前期基础配置，涵盖硬件一致性检查、BIOS/BMC/固件一致性升级、单机压测、系统安装、环境部署、线序检查，保障集群基础环境标准化、合规化。
2. 集群多机稳定性测试
熟练执行集群多机压测全流程操作，主导all to all（全节点互联）测试，验证多节点间数据传输的带宽、延迟及稳定性，确保节点间通信无瓶颈、无丢包，满足大规模并行计算需求；
精通NCCL（NVIDIA Collective Communications Library）测试，配置测试参数、执行通信性能验证，排查NCCL通信失败、性能不达标的问题，优化集群通信效率，适配GPU集群协同计算场景；
开展多维度GPU集群稳定性测试，包括长时间满负载并行压测、节点故障注入测试、网络波动模拟测试等，全面验证集群在高压力、复杂场景下的运行稳定性；
记录测试数据、分析测试结果，输出测试报告，针对测试中发现的硬件、网络或配置问题，协同相关人员完成优化整改，确保集***付前达到预设稳定性标准。
3. 监控与环境部署
部署设备监控系统，确保GPU利用率、功耗、健康状态及集群通信状态可在监控平台中正常查看，设置异常告警机制，保障集群运行状态可追溯、可预警。
4. 项目与沟通
与PM、交付经理、TAM沟通，合理规划服务器交付排期，同步测试进度及问题整改情况，推进并完成服务器交付实施；
协调硬件、网络等相关团队，解决交付及测试过程中的跨部门协作问题，保障交付流程顺畅。
5. 文档与交接
项目交付完成后，及时整理项目交付文档，包括集群配置手册、测试报告、监控部署文档等，确保接维团队可以正常开展运维工作。
任职要求：
1. 本科及以上学历，至少三年相关工作经验，具有GPU服务器和数据中心运维经验，熟悉NVIDIA主流显卡架构（Hopper/Blackwell）者优先；
2. 熟悉Linux系统、命令行，掌握自动化工具（Ansible/Kubernetes）、监控平台及集群管理工具（Slurm）；熟悉Python/Shell脚本开发，可协助优化测试及交付效率；
3. 精通GPU集群多机压测技术，熟练掌握all to all、NCCL测试流程及问题排查方法，具备较强的集群稳定性分析与优化能力；
4. 具备快速故障定位能力，能及时响应交付及测试过程中的紧急事件，拥有良好的沟通协调能力；
5. 做事细心，处事稳重，有强烈的责任心、良好的团队合作精神，能适配大规模集***付的高强度工作节奏。
求职提醒：求职过程请勿缴纳费用，谨防诈骗！若信息不实请举报。
