高级模型数据研发工程师

描述

1. 01

   科学语料体系建设：论文/专利/教科书的采集、解析（版面/公式/图表/分子式）、清洗、去重与质量分级，构建科学领域数据配方；

2. 02

   实验与仿真数据结构化与资产化：从实验记录、仪器输出、仿真日志中抽取物理量、约束关系与因果链条，建立知识图谱与结构化表征；

3. 03

   合成数据与数据增强研究：面向科学推理的合成数据生成、验证与配比策略，构造“推导正确性、物理一致性”信号；

4. 04

   数据评测与审计体系：数据污染检测、基准防泄漏、数据血缘与合规管理，可审计可追溯；

5. 05

   与模型团队共建数据-训练闭环，通过混配、课程学习等数据侧干预提升模型科学推理能力

1. 01

   2026年9月-2027年8月毕业的博士，计算机/数据科学/计算化学/材料信息学/物理信息学等相关专业；

2. 02

   熟悉Spark/Ray/Dask任一分布式数据处理框架，掌握文档解析与信息抽取技术栈；

3. 03

   大模型数据工程全流程（清洗/去重/质量过滤/混配/污染控制）至少两项做深；

4. 04

   具备非结构化科学文档转化为结构化知识的方法论（NLP/信息抽取/知识图谱至少其一）