混元-基于Agent的大模型数据建设范式研究

研究背景： 面向大语言模型和多模态大模型，支持大规模、高质量、多样性数据建设是大模型训练的主要依赖。当前数据建设依赖人工专家基于模型弱项发现，进而设计制定专项数据建设方案并执行，数据建设过程往往是定制化，导致人力和开发成本居高不下，数据建设规模扩量受限。亟需通过Agent自动发现模型问题、思考规划数据建设专项，进一步自动搭建数据建设流水线项目，极大降低人力与开发成本，实现模型问题闭环的自动化数据建设飞轮。 研究挑战：

1. 01

   缺陷定位与归因： 大模型的能力边界模糊且输入空间近乎无限，如何让 Agent 在没有人类先验知识的情况下，高效地在巨大的搜索空间中主动探索、识别出具有统计显著性的长尾弱项，并将模糊的错误表现精准归因为可操作的数据缺失；

2. 02

   数据策略制定： 让 Agent 具备专家级的数据工程思维，将抽象的错误归因转化为具体、可执行的数据建设方案，并保证生成数据的多样性以避免模型对单一模式的过拟合，存在巨大的语义鸿沟；

3. 03

   自主构建流水线： 数据建设涉及爬取、清洗、去重、改写、标注等复杂流程。要求 Agent 不仅能生成代码，还要具备工具使用和自我纠错能力，以处理 API 故障、环境依赖和异常数据，同时防止低质数据污染模型。 具体工作： 面向大模型数据建设，研发基于Agentic Workflow的自动化缺陷发现与专项数据建设能力，在真实业务场景落地，联动模型侧验证数据价值，降低人力与开发成本，提效数据建设。

1. 01

   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. 02

   熟悉大语言模型、计算机视觉、多模态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. 03

   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，熟悉AgenticWorkflow；

4. 04

   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。 此课题同时招聘应届实习生和低年级实习生。