工作职责: 1.构建面向文本、图片、音频、视频的多模态数据理解系统，包括 embedding、retrieval、clustering、classification、tagging 等能力； 2.分析海量数据分布、多样性、冗余、缺失及长尾问题，持续优化训练数据质量； 3.设计高效的数据去重、聚类、召回、采样和数据配比策略，服务于预训练、SFT、RL 等数据生产； 4.与模型团队共同完成数据实验，持续分析数据对模型能力的影响，形成自动化数据飞轮； 5.推动数据分析平台、可视化工具和自动化数据 Pipeline 建设，提高整体数据生产效率。 工作要求: 1.2027届本科及以上学历，熟悉 Qwen-VL、Gemma、Gemini 等多模态模型。 2.有 PB 级数据处理经验（Spark/Ray/Flink 等）。 3.有训练数据分析、数据飞轮或推荐系统经验。 4.我们希望你对数据内容保持敏感，有能力从海量数据中发现规律，而不仅仅完成 Pipeline。 5.喜欢从数据出发解释模型问题，并主动推动实验验证。 6.High Agency，能够独立发现问题、定义问题并推动落地。