岗位职责
- 评测平台架构与框架建设。设计并研发面向大模型与Agent的通用评测框架，支持多模态输入输出、长程任务执行、工具调用链路、执行反馈等评估维度；推动评测流水线标准化，打通数据集管理、环境隔离、任务调度、指标计算、结果归档与可视化各环节；对评测结果做数据清洗、统计分析与可视化，向算法团队输出分析报告与洞察。
- 评测集适配与建设。吃透业界主流评测集（如SWE-bench、Terminal-Bench、JobBench等），完成向平台的精准适配；面向代码生成、工具使用、推理、多轮对话、多模态生成等任务场景，设计可量化的评估方式与指标体系；建立Benchmark版本管理机制，让评测过程与结果可追踪、可对比、可复现，支撑模型迭代决策。
- 评测任务Agent化与Harness Engineering。以Harness Engineering思路把评测任务本身Agent化，提升评测集接入效率与执行的智能化水平；开发自动化诊断工具，定位评测适配异常、指标抖动、环境漂移等问题，降低人工排查成本；探索LLM-as-Judge、多智能体评判、人类偏好对齐等前沿评测范式，提升评估的客观性与覆盖度。
职位要求
- 计算机相关专业本科及以上学历，3年以上平台研发或AI工程经验。
- 工程功底扎实，精通Python或Java至少一门，熟练使用Linux开发环境与Shell脚本自动化。
- 理解大模型评测体系，熟悉开源评测集与主流评测框架，具备评测框架、数据Pipeline、分布式任务调度或MLOps平台的设计与落地经验。
- 熟悉Docker、Kubernetes、Conda等环境隔离与资源调度技术，能独立处理复杂依赖管理与可复现性问题。
- 对AI评测有热情，看重指标设计的科学性与工程实现的严谨性；能阅读英文文献、分析开源项目源码，准确抽象评测集核心逻辑并完成平台化落地。 加分项 ● 主导或深度参与过评测框架、评测流水线或MLOps平台的研发，有从0到1落地的经验。 ● 完成过SWE-bench、Terminal-Bench等主流评测集的平台化适配，熟悉Harbor等评测集规范标准。 ● 有Harness Engineering或将评测任务Agent化的实践，理解Agent评测原理与指标体系设计。 ● 在LLM-as-Judge、多智能体评判、人类偏好对齐等前沿评测范式上有探索或落地成果。 ● 在评测、大模型或AI工程相关的开源项目、论文或竞赛中有可展示的贡献。
