晓天衡宇-大模型标注评测工程师-数据方向（成都）

1. 验收数据工程方向 AI Coding 数据质量 — 对数据处理 bug-fix、pipeline feature 开发等任务数据进行质量验收，核查任务的真实性、难度合理性与工程场景还原度。

2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;

3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;

4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;

5. 探索更科学的评测指标、更高效的评测和标注方法。

1. 有真实数据仓库或数据工程开发经验 — 熟练使用 SQL，有 Hive/Spark/Flink 或主流 OLAP 数据库（ClickHouse、Presto 等）使用经验。

2. 具备代码/SQL 审阅与质量判断能力 — 能读懂他人 SQL 与数据管道，判断逻辑正确性、性能与数据质量问题，识别错误或低质答案。

3. 熟悉数据工程协作文件 — 理解数据模型设计文档、ETL 调度配置、数据质量报告、字段血缘关系等工程产物。

4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。

5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。

6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是""""真懂""""还是""""背题""""。

加分项

• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作