课题详情： 课题背景 大语言模型的预训练数据集优化是持续性的工作，包括对海量网页、文档、代码数据的通用改造、低质清洗、优质数据筛选、数据多样性分布优化等工作。 课题挑战 本课题需要实习生对数据质量有非常深刻的理解，包括单样本质量、数据集整体多样性/分布等，并且能创新性地引入或优化大语言模型数据处理过程中前沿的NLP算法，如语义去重、聚类、质量分类模型等，结合实验验证，持续优化千亿数据的质量 具体工作 本课题需要实习生在以上1~2个方向上，能引入创新性的算法优化，对大语言模型数据的处理能带来数据效果上显著的提升，最终数据算法落地到混元LLM正式版本的数据生产中，带来实际的线上效果提升。 课题要求： 1.计算机/软件工程等相关专业硕士以上学历，拥有博士学位者优先； 2.熟悉大语言模型领域的相关研究工作和算法，拥有发表顶会论文、大模型研究工作、知名竞赛获奖、顶级研究机构或一线互联网工作经验者优先； 3.熟练使用Python、PyTorch和CUDA等语言及工具，具备快速阅读和复现论文的能力，熟练使用AI工具提效者优先； 4.具备优秀的分析和解决问题能力，良好的团队合作精神及沟通意识。 5.有大模型数据研发相关公司的实践经验或者科研成果，有丰富的通过数据优化提升LLM效果经验者优先。