base北京、深圳 工作内容： - 数据智能画像与策略分析： 运用统计学及语义表征技术，对万亿级预训练/对齐数据进行深度挖掘与画像分析，探索数据分布与模型能力（Scaling Law）之间的内在联系。 - 全链路质量闭环建设： 针对SFT（指令微调）与RLHF（强化学习）阶段，设计多维度数据筛选策略（如困惑度、多样性、逻辑一致性等），通过启发式及模型化方案（LLM-as-a-Judge）提升模型对齐质量。 - 工业级数据治理流水线： 参与构建支撑大模型高效训练的高性能数据平台，包括分布式抓取、流式清洗、去重（MinHash/Semantic Deduplication）、敏感词检测及自动化标注体系的研发与优化。 - 模型能力自动化测评： 研发领先的模型评估框架（Auto-Eval），设计端到端的评测基准（Benchmark），实现模型从训练到效果验证的高效迭代闭环。 任职资格： - 基础扎实： 计算机、数学、信息工程等相关专业硕士及以上学历；对数据结构、算法有深刻理解，具备卓越的编码能力（精通 Python，熟悉 C++ / Go 至少一门）。 - 大模型认知： 熟悉 Transformer 架构，对 LLM 的预训练、微调（SFT）、强化学习（RLHF）全生命周期有系统性认知。 - 数据敏锐度： 熟悉自然语言处理（NLP）常用技术，具备大规模数据处理经验（如使用 Spark、Flink、Ray 或类似框架），能从复杂数据中捕捉规律。 - 学术与前瞻： 紧跟 AI 领域前沿动向，阅读过 Llama、GPT、DeepSeek 等主流模型相关论文者优先。 综合素质： 极强的学习能力与好奇心，面对模糊问题能保持冷静并拆解目标，具备良好的团队协作与沟通影响力。 【加分项】 - 在 ACL、EMNLP、NeurIPS、ICLR 等顶级会议有论文发表或有高水平代码开源贡献。 - 有 RAG（检索增强生成）、Agent 智能体或长文本处理相关实际项目经验。 - 在 Kaggle、天池等数据竞赛或知名 ACM/ICPC 赛事中获得过优异成绩。 【职位亮点】 - 核心赛道： 深度参与万亿级参数大模型（LLM）的进化过程，定义模型“学什么、怎么学”。 - 技术深度： 探索数据配比、合成数据（Synthetic Data）、自动化评估等大模型领域最前沿的技术课题。 - 超大规模： 操纵PB级海量异构数据，构建支撑千卡/万卡并行训练的高性能数据底座。