工作职责： 1、设计并迭代 dots 模型的多维度能力评测体系，覆盖通用能力（推理、数学、代码、语言理解）、指令遵循、长上下文、多模态、安全性、人类偏好等维度 2、跟踪主流公开 benchmark（MMLU、MATH、GSM8K、HumanEval、MBPP、ARC、HellaSwag、GPQA、Arena ELO 等），建立内外部对齐机制，输出可比的竞争力报告 3、构建评测数据集生产 pipeline：从采集、清洗、标注、质检到版本化管理，保证数据集的质量与时效性 4、开发自动化评测平台：统一的评测入口、任务调度、结果可视化、版本对比、diff 分析 5、与后训练团队（RLHF/对齐）合作，定义 reward model 和 preference 数据的评测标准 6、设计"抗污染"策略，防止评测数据集泄露到训练集 7、参与模型发布的质量卡点（gate），为版本上线提供数据支撑 8、跟踪前沿评测研究（LLM-as-judge、multi-turn eval、agent 评测、长程任务评测等），推动评测能力持续进化 任职资格： 1、对大语言模型能力边界有清晰认知，知道"什么是好模型"、"好在哪" 2、熟悉主流 benchmark 的设计哲学和局限，不只是会跑分，而是能看出分数的含义 3、有数据处理与工程能力（Python 熟练，熟悉数据 pipeline 工具，能搭自动化流程） 4、扎实的统计与分析能力，能从噪声数据里看出信号 5、优秀的书面表达