LLM预训练数据算法实习生

职位描述 作为一名核心的数据算法实习生，你将直接参与构建和优化我们核心大语言模型的预训练数据。你将从数据源头开始，通过科学的数据工程与算法策略，深刻影响模型的底层能力、知识广度和思想深度。 岗位职责： 数据工程与基建： 负责大模型预训练数据的全流程构建，包括多源数据发现与评估、自动化清洗与去重、结构化与内容安全处理； 数据策略与实验： 设计并执行数据配比、质量筛选、混合合成策略的对比实验，以科学方法驱动模型性能的持续提升； 前沿数据构建： 洞察模型能力的瓶颈，主动构想并构建能突破当前模型“天花板”的新型训练数据（如高质量对话、复杂推理链、代码-文本对等），探索数据创新的前沿； 数据效果分析： 分析模型在不同数据上的训练动态与性能表现，建立“数据-模型能力”的量化洞察，为数据决策提供依据。

任职要求： 计算机科学、人工智能或相关专业硕士及以上在读； 熟练掌握 Python 及主流数据处理框架（如 Pandas, PySpark），具备扎实的工程实现能力； 深入理解大语言模型的预训练数据构建全流程（从数据源到模型输入），熟悉主流模型架构（如 Transformer）和基础训练范式； 对语言模型和对话系统充满热情，热衷于探索其背后的工作原理与应用场景。 加分项（满足一项或多项）： 数据审美与洞察力： 对数据质量有敏锐的“直觉”和高标准的审美，能够从海量数据中识别出真正具有价值的“黄金”样本； 实战经验： 具备大模型相关数据构建、训练或评估的实习/项目经验，或有实际参与对话/指令微调项目； 学术能力： 在ACL, EMNLP, NeurIPS, ICLR等顶级会议发表过与NLP/LLM相关的论文； 工程能力： 熟悉大规模数据处理流程与工具（如 Docker, Git, 分布式计算），代码风格清晰规范。