大模型数据算法工程师

AIGC训练数据建设与质量优化 负责文本、图像、音频、视频等多模态训练数据的处理与分析，建设数据解析、清洗、去重、过滤、分类、聚类、质量评分和异常检测能力，持续提升训练数据的准确性、多样性和有效性。

高价值数据挖掘与样本筛选 结合规则、统计分析、Embedding、机器学习模型及大模型，识别低质量、重复、冲突、分布异常和长尾样本；设计难例挖掘、模型在环和主动学习策略，从大规模候选数据中筛选高价值训练样本。

训练数据与模型效果归因 分析数据来源、数据配比、清洗策略、采样方式及标签质量对模型效果的影响，通过对照实验、消融实验和分层评测，定位模型能力变化与训练数据之间的关系，形成可落地的数据优化方案。

模型评测与评测集建设 参与大语言模型、多模态理解及生成模型的评测体系建设，包括评测集构建、评价指标设计、自动化评测、人工评测和错误案例分析；对不同模型版本进行横向及纵向对比，定位模型短板和系统性问题。

标注体系与数据闭环优化 参与制定数据标注规范、质量标准和验收机制，分析标注一致性、标签噪声及高频错误类型；通过模型辅助标注、自动质检和人工复核，提高数据生产效率和标注质量。

合成数据与数据增强探索 面向低资源、长尾和复杂任务场景，探索数据生成、数据改写、语义扩展、合成数据和多模态数据增强方法，并定量验证相关策略对模型泛化能力和鲁棒性的贡献。

数据算法工程化建设 将数据清洗、样本筛选、质量评估和模型评测方法沉淀为可复用的算法模块、工具或自动化 Pipeline，支持大规模数据处理、批量模型推理和快速实验迭代。

计算机科学、人工智能、数据科学、数学、统计学、自动化或相关专业，本科及以上学历，硕士研究生优先。

熟练使用 Python，掌握 NumPy、Pandas、Scikit-learn 等常用数据处理与机器学习工具，具备良好的代码能力和数据分析能力。

熟练使用 PyTorch，能够独立完成数据处理、模型训练、批量推理、模型评测和实验分析等完整流程。

熟悉 Transformer、Embedding、注意力机制及常见深度学习方法，对大语言模型、多模态模型、图像生成、视频生成、语音生成中的至少一个方向有较深入理解。

了解大模型预训练、监督微调、偏好数据、模型评测或多模态对齐中的一种或多种技术，能够理解数据质量对模型能力的影响。

具备扎实的机器学习、概率统计和线性代数基础，能够合理设计评价指标、抽样方案、对照实验和消融实验，并对实验结果进行定量分析。

具备较好的论文阅读、技术调研和算法复现能力，能够根据实际任务对现有方法进行合理改进，而非仅停留在调用模型或接口层面。

熟悉 Linux、Git 等开发工具，具备良好的工程实践能力；有大规模数据处理、分布式任务调度或自动化数据 Pipeline 建设经验者优先。