H-1BGreen card em andamento para este cargo
REG. 2082251
Engenheiro de Confiabilidade, Supercomputação
Thinking Machines Lab Inc.
- Local: San Francisco, CA
- Área: Tecnologia
- Visto provável: H-1B
- Vaga vista pela última vez em 18/07/2026
Engenheiro de confiabilidade em San Francisco; empresa com 5 aprovações de LCA nos últimos 12 meses.
Cadastro grátis — o contato e o link oficial da vaga ficam no portal.
Descrição da vaga
Tradução automática do anúncio original do empregador.
<div class="content-intro"><p data-pm-slice="1 1 []"> A missão do Laboratório de Máquinas de Pensar é capacitar a humanidade através do avanço da inteligência geral colaborativa. Estamos construindo um futuro onde todos têm acesso ao conhecimento e ferramentas para fazer a IA funcionar para suas necessidades e objetivos únicos.
<p>Somos cientistas, engenheiros e construtores que criaram alguns dos produtos de IA mais usados, incluindo ChatGPT e Character.ai, modelos de pesos abertos como Mistral, bem como projetos populares de código aberto como PyTorch, OpenAI Gym, Fairseq e Segment Anything.</p></div><h2>Sobre o Papel</h2>
Estamos contratando um engenheiro para garantir a confiabilidade de nossa frota de supercomputação da GPU, possuindo a costura entre hardware, firmware e sistema operacional. Você irá rastrear a longa cauda de problemas de hardware: Estamos realizando pesquisas de fronteira em IA e uma única NIC ruim, HBM ou um caso driver de kernel pode comprometer uma experiência. Seu trabalho é diagnosticar esses problemas, rastrear sua causa raiz até o hardware, e resolvê-los internamente ou diretamente com fornecedores para que nossos pesquisadores possam correr em escala e com confiança.</p>
<p><em> Nota: Este é um "papel sempre verde" que mantemos aberto numa base contínua para expressar interesse. Recebemos muitas aplicações, e pode nem sempre haver um papel imediato que se alinha perfeitamente com sua experiência e habilidades. Ainda assim, encorajamos você a se candidatar. Revisamos continuamente os pedidos e contatamos os candidatos como novas oportunidades abertas. Você é bem-vindo para reaplicar se você tiver mais experiência, mas por favor evite aplicar mais de uma vez a cada 6 meses. Você também pode descobrir que colocamos postagens para papéis singulares para necessidades específicas separadas, projeto ou equipe. Nesses casos, você é bem-vindo para aplicar diretamente, além de um papel evergreen.</em></p>
<h2>O que você vai fazer</h2>
<ul>
<li> Investigar, reproduzir e corrigir problemas em grandes clusters de GPU.</li>
<li> Possuir os drivers, superfície do kernel e diagnósticos que abrangem hardware, firmware e SO.</li>
<li> Automatize o monitoramento da confiabilidade da frota e analise as taxas de erro para validar se uma correção ou uma alteração de firmware reduziu significativamente as falhas ao invés de mudá-las.</li>
<li> Conduza o ciclo de vida do firmware: rastreamento, qualificação, implantação de estágios e análise de regressão.</li>
<li> Engaje fornecedores diretamente — GPUs, servidores OEMs, fornecedores NIC e fornecedores de armazenamento — para obter correções reais em vez de números de tickets. Gerenciar fluxos RMA quando o hardware precisa sair.</li>
Monitore e melhore os sinais de saúde do hardware da GPU e transforme-os em melhorias de confiabilidade acionáveis.</li>
<li>Escreva casos claros pós-mortem e de fornecedores que avancem.</li>
</ul>
<h2>Competências e Qualificações</h2>
<p>Qualificações mínimas:</p>
<ul>
<li> Grau de bachelor ou experiência equivalente em ciência da computação, engenharia ou similar.</li>
<li>Proficiência em pelo menos uma linguagem de infraestrutura (nós usamos Python ou Rust).</li>
<li>Experiência de operação de clusters em grande escala e sistemas de orquestração de contentores (por exemplo, Kubernetes ou Slurm).</li>
<li>Comfort operando através da pilha e possuindo projetos de ponta a ponta.</li>
<li> Em um ambiente altamente colaborativo envolvendo muitos, diferentes parceiros interfuncionais e especialistas em assuntos.</li>
<li> Um viés para a ação com uma mentalidade para tomar iniciativa para trabalhar em diferentes pilhas e diferentes equipes onde você vê a oportunidade de se certificar de algo navios.</li>
</ul>
<p>Qualificações preferenciais — encorajamo-lo a candidatar-se se encontrar algumas, mas não todas estas:</p>
<ul>
<li>Fluência com sistemas Linux e ferramentas de depuração.</li>
<li>Proven rigor estatístico na análise da confiabilidade.</li>
<li>Um histórico de depuração de um problema do sintoma da aplicação à causa raiz no hardware.</li>
<li>Comfort reading errata, notas de lançamento de firmware e changelogs do kernel.</li>
<li>Experienciar os fornecedores de hardware diretamente — não apenas através de portais de escalada.</li>
<li> Alfabetização do kernel Linux: o agendador, gerenciamento de memória, caminhos IRQ e o modelo driver.</li>
Experiência de gestão fora de banda: BMC / iDRAC / IPMI / Redfish.</li>
<li>Depth in GPU hardware health: Xid error taxonomia, NVLink, NVSwitch, gerenciador de tecido, e DCGM.</li>
<li>Proficiência em pelo menos uma linguagem de infraestrutura (nós usamos Python e Rust).</li>
Propriedade significativa da função de confiabilidade do hardware em escala.</li>
<li>Escrita forte para casos de fornecedores e postmortem.</li>
<li> Um instinto para distinguir uma máquina flácida, uma carga de trabalho flácida e um teste flácida.</li>
</ul>
<h2>Logística</h2>
<ul>
Localização: Este papel é baseado em São Francisco, Califórnia.
<li>Compensação: Dependendo de antecedentes, habilidades e experiência, a faixa salarial anual esperada para esta posição é de $350,000 - $475.000 USD.</li>
<li>Visa patrocínio: Nós patrocinamos vistos. Embora não possamos garantir sucesso para cada candidato ou papel, se você é o ajuste certo, estamos comprometidos em trabalhar através do processo de visto juntos.</li>
Benefícios: A Thinking Machines oferece benefícios de saúde, odontologia e visão generosos, PTO ilimitado, licença parental paga e apoio de relocação conforme necessário.
</ul><div class="content-conclusion"><p><em> Conforme estabelecido na política de igualdade de oportunidades de emprego das Máquinas de Pensar, não discriminamos com base em qualquer estatuto de grupo protegido ao abrigo de qualquer lei aplicável. </em></p>
<p><em> O Laboratório de Máquinas de Pensar considerará para candidatos qualificados para o emprego com histórico criminal de uma forma consistente com os requisitos da lei de chance justa da Califórnia, a Portaria de chance justa de São Francisco, e qualquer outra lei ou lei de chance justa aplicável do estado ou local.</em></p></div>
Ver o texto original em inglês
<div class="content-intro"><p data-pm-slice="1 1 []">Thinking Machines Lab's mission is to empower humanity through advancing collaborative general intelligence. We're building a future where everyone has access to the knowledge and tools to make AI work for their unique needs and goals. </p>
<p>We are scientists, engineers, and builders who’ve created some of the most widely used AI products, including ChatGPT and Character.ai, open-weights models like Mistral, as well as popular open source projects like PyTorch, OpenAI Gym, Fairseq, and Segment Anything.</p></div><h2>About the Role</h2>
<p>We're hiring an engineer to ensure the reliability of our GPU supercomputing fleet, owning the seam between hardware, firmware, and operating system. You will track the long tail of hardware issues: We are conducting frontier research in AI and a single bad NIC, HBM or a kernel driver edge case can compromise an experiment. Your job is to diagnose these issues, track their root cause down to the hardware, and resolve them internally or directly with vendors so that our researchers can run at scale and with confidence.</p>
<p><em>Note: This is an "evergreen role" that we keep open on an on-going basis to express interest. We receive many applications, and there may not always be an immediate role that aligns perfectly with your experience and skills. Still, we encourage you to apply. We continuously review applications and reach out to applicants as new opportunities open. You are welcome to reapply if you get more experience, but please avoid applying more than once every 6 months. You may also find that we put up postings for singular roles for separate, project or team specific needs. In those cases, you're welcome to apply directly in addition to an evergreen role.</em></p>
<h2>What You’ll Do</h2>
<ul>
<li>Investigate, reproduce, and remediate issues across large GPU clusters.</li>
<li>Own the drivers, kernel surface, and diagnostics that span hardware, firmware, and OS.</li>
<li>Automate the monitoring of fleet reliability and analyze error rates to validate whether a fix or firmware change measurably reduced failures rather than shifting them around.</li>
<li>Drive the firmware lifecycle: tracking, qualification, staged rollout, and regression analysis.</li>
<li>Engage vendors directly — GPUs, server OEMs, NIC vendors, and storage vendors — to get real fixes rather than ticket numbers. Manage RMA flows when hardware needs to come out.</li>
<li>Monitor and improve GPU hardware health signals and turn them into actionable reliability improvements.</li>
<li>Write clear postmortems and vendor cases that move issues forward.</li>
</ul>
<h2>Skills and Qualifications</h2>
<p>Minimum qualifications:</p>
<ul>
<li>Bachelor’s degree or equivalent experience in computer science, engineering, or similar.</li>
<li>Proficiency in at least one backend language (we use Python or Rust).</li>
<li>Experience operating large‑scale clusters and container orchestration systems (e.g. Kubernetes or Slurm).</li>
<li>Comfort operating across the stack and owning projects end-to-end.</li>
<li>Thrive in a highly collaborative environment involving many, different cross-functional partners and subject matter experts.</li>
<li>A bias for action with a mindset to take initiative to work across different stacks and different teams where you spot the opportunity to make sure something ships.</li>
</ul>
<p>Preferred qualifications — we encourage you to apply if you meet some but not all of these:</p>
<ul>
<li>Fluency with Linux systems and debugging tools.</li>
<li>Proven statistical rigor in analyzing reliability.</li>
<li>A track record of debugging a problem from application symptom to the root cause in hardware.</li>
<li>Comfort reading vendor errata, firmware release notes, and kernel changelogs.</li>
<li>Experience engaging hardware vendors directly — not just through escalation portals.</li>
<li>Linux kernel literacy: the scheduler, memory management, IRQ paths, and the driver model.</li>
<li>Out-of-band management experience: BMC / iDRAC / IPMI / Redfish.</li>
<li>Depth in GPU hardware health: Xid error taxonomy, NVLink, NVSwitch, fabric manager, and DCGM.</li>
<li>Proficiency in at least one backend language (we use Python and Rust).</li>
<li>Significant ownership of the hardware reliability function at scale.</li>
<li>Strong writing skills for vendor cases and postmortems.</li>
<li>An instinct for telling apart a flaky machine, a flaky workload, and a flaky test.</li>
</ul>
<h2>Logistics</h2>
<ul>
<li>Location: This role is based in San Francisco, California. </li>
<li>Compensation: Depending on background, skills and experience, the expected annual salary range for this position is $350,000 - $475,000 USD.</li>
<li>Visa sponsorship: We sponsor visas. While we can't guarantee success for every candidate or role, if you're the right fit, we're committed to working through the visa process together.</li>
<li>Benefits: Thinking Machines offers generous health, dental, and vision benefits, unlimited PTO, paid parental leave, and relocation support as needed.</li>
</ul><div class="content-conclusion"><p><em>As set forth in Thinking Machines' Equal Employment Opportunity policy, we do not discriminate on the basis of any protected group status under any applicable law. </em></p>
<p><em>Thinking Machines Lab will consider for employment qualified applicants with criminal histories in a manner consistent with the requirements of the California Fair Chance Act, the San Francisco Fair Chance Ordinance, and any other applicable state or local fair chance ordinance or law.</em></p></div>
Cadastro grátis — o contato e o link oficial da vaga ficam no portal.