岗位职责
- 负责AI产品核心效果评估与精度度量：主导大模型及AI应用在业务场景下的效果评测全流程，包括构建多维度评测指标体系（如准确率、召回率、幻觉率、Rouge/BLEU及任务完成率），制定严谨的AB实验方案，并对评测数据进行深度统计与归因分析。
- 构建对抗性评测与稳定性验证体系：设计并执行覆盖边界Case、长尾分布及恶意攻击的测试用例，系统性评估模型在复杂场景下的鲁棒性、安全性与语义稳定性，输出可量化的风险评估报告。
- 推动效果回归与用户体验闭环：建立版本迭代的效果回归基线，利用自动化工具持续监控模型更新带来的精度波动；同时建立“线上数据回流-线下标注验证-模型优化”的闭环机制，推动产品体验的持续优化。
- 设计自动化评测工具与数据飞轮：开发或集成AI自动化评测脚本（如基于API的批量推理、断言校验），建设数据标注与结果分析平台，提升效果评估的效率和可复现性；主导评测数据集的构建与管理，确保数据分布的合理性与标注一致性。
职位要求
- 学历与理论基础：计算机科学、人工智能、统计学或相关专业硕士及以上学历，具备扎实的机器学习/深度学习理论基础，熟悉常见的模型评价指标（如F1-Score、PPL、METEOR、BERTScore等）及其适用场景。
- 编程与工程实现能力：熟练掌握Python/C++等编程语言，具有良好的代码规范与工程落地能力。熟悉Linux开发环境，能够利用Numpy、Pandas、Scipy等工具进行高效的评测数据处理与可视化分析。
- 评测分析与问题定位能力：具备敏锐的数据敏感度和严谨的统计学思维，熟练掌握假设检验、方差分析等数理统计方法。面对Bad Case时，具备优秀的逆向分析能力，能够准确定位精度损失的数据源头（数据偏移、模型过拟合、推理逻辑错误等）。
- 工具链与数据库操作：熟悉Redis、MySQL等数据库的基础操作，能够熟练使用Tensorboard、Weights & Biases等实验跟踪工具，具备利用Docker或脚本构建可复现评测环境的能力。
- 软素质要求：对产品质量与用户体验有极致的追求，注重细节；具备优秀的沟通能力和跨部门协作能力，能够清晰地向算法研发团队阐述评测结论与优化建议。
- AI实践经验：熟悉大模型的应用开发或效果调优，有过针对具体垂直领域构建评测集的实际经验。 加分项
- 有AI模型效果调优、指令微调（SFT）或强化学习（RLHF）中对Reward Model效果评估的经验。
- 发表过关于模型评估、基准测试（Benchmark）或测试数据增强（Data Augmentation）相关的学术论文。
- 主导或深度参与过大型AI模型的大规模效果对齐（Alignment）或红蓝对抗（Red Teaming）评估项目。
