DeepSeek 招聘 JD 直言 10 万卡集群运维难题,传 V5 将用昇腾 950 训练
teortaxesTex · x · 2026-11-20
有人翻出 DeepSeek 的超算集群运维岗位招聘,读来颇为「痛感」:JD 明确表示将面临大量无人做过、无从查文档的挑战。
JD 列出的核心难题:
- 把 10 万加速器集群做得像一台电脑一样稳定:硬件故障「随时发生」而非「万一发生」,每天平均需处理近 300 次故障,核心 KPI 是降低 MTTR 并给每次故障做根因分析;
- 新算力资源「开箱即达峰值」:独立完成新节点的基线检查、性能调优与生产验证,回答理论峰值与实际差距来自硬件、驱动、网络还是配置;
- 打通监控黑盒:为 GPU 利用率、NCCL 通信延迟、checkpoint 耗时等海量信号降噪并建立告警;
- 用自动化运维让集群自愈,让 on-call 工程师不再半夜被叫醒。
岗位要求扎实的体系结构/OS/网络功底与分布式系统经验。发帖人评论:让大规模集群稳定运转是 DeepSeek 和中国业界从未做过的事,拿到硬件只是第一步。引用推文称 DeepSeek V5 将完全采用华为昇腾 950 训练、「付出数倍代价也要死磕」,此说法未经官方证实。
「Infra」频道最新
- GTA VI 泄露版 48 小时内被魔改:60fps+DLSS 5 串流画面媲美实拍 — LinusEkenstam · 2026-11-20
- Celesto CI 宣称比 GitHub Actions 便宜 90%,附全平台跑分对比 — aniketmaurya · 2026-11-20
- 算出 Anthropic 天花板约 2000 亿美元:博主预言 CoreWeave 会先倒 — sidjustice_ · 2026-11-20
- Cerebras 深度解析:晶圆级芯片如何为 LLM 推理降数据搬运 — draecomino · 2026-11-20
- LoRA 合并重量化实测:Qwen3.8B 速度提升 50% 语法零失败 — yb2698 · 2026-11-20
- Neon MCP 服务器支持按 Postgres 角色执行 SQL,用数据库权限约束 AI agent — JeremyCMorgan · 2026-11-20