混元基座模型-Mid-Train数据的高效筛选与合成研究

课题背景： 中期训练是衔接预训练与对齐阶段的核心，直接决定模型在代码、数理逻辑等复杂任务上的上限。由于高质量垂直领域人工数据极度稀缺，利用模型合成数据成为主流。但现有方案面临生成多样性坍塌及跨领域能力干扰等问题，亟待突破多领域数据精细筛选与高质量合成技术。 课题挑战：

1. 01

   模型退化危机：利用模型合成数据极易导致分布收敛与多样性丧失，在代码、数理等严谨领域合成出突破现有能力边界的“增量新知识”是核心难点。

2. 02

   能力跷跷板效应：多领域（如逻辑类与发散类）数据混合训练时易产生能力负迁移，通过提纯与组合策略实现各领域能力全面正向增益极具研究难度。

3. 03

   质量评估黑盒化：面对海量合成的垂直领域数据，缺乏高效且普适的自动化难度与质量评估标准，构建精准的打分体系面临巨大困难。 具体工作： 负责代码、数理、Agent、文创等核心领域数据的深度挖掘与筛选；设计高多样性的数据合成链路并在生产级别的模型上验证效果

学历和专业要求： 自然语言处理/机器学习/模式识别/人工智能/计算机等相关专业硕士以上学历； 技术技能要求： 1，在NLP、LLM领域有深入实践，对生成式AI、复杂推理或特定垂域（如代码生成、数学定理证明等）有丰富的数据构建与模型调优经验； 2，具备较强的工程实现能力，熟练掌握Python、C/C++等至少一种语言，熟悉指令演化（如Self-Instruct等）及合成数据Pipeline架构； 3，熟悉DeepSpeed、Megatron等分布式训练框架，熟练使用至少一种深度学习框架(如PyTorch等)； 4，有高质量论文发表者优先（如ACL、EMNLP、NeurIPS、ICML、ICLR等），特别是在数据合成、模型微调或特定垂域能力突破方向； 软性素质要求： 具备强烈的进取心、自驱力及跨领域学习能力，团队合作精神极佳，对实现AGI核心能力跃迁充满热情。 此课题同时招聘应届实习生和低年级实习生。