数据智能实习生

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。 - 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。 - 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。 - 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。 - 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

熟悉 Qwen-VL、Gemma、Gemini 等多模态模型。 - 有 PB 级数据处理经验（Spark/Ray/Flink 等）。 - 有训练数据分析、数据飞轮或推荐系统经验。 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。 - 喜欢从数据出发解释模型问题，并主动推动实验验证。 - High Agency，能够独立发现问题、定义问题并推动落地