岗位职责
- 负责代码评测集的建设、维护与迭代，覆盖 SWE-bench 系、Terminal-Bench、LiveCodeBench、BigCodeBench、SciCode 等主流评测集，把控子指标权重与维度聚合口径。
- 负责 CodeArena 人工对战评测的设计与运营，制定打分标准与评委质检机制。
- 负责代码 badcase 的人工分析与三轴归因体系落地，即表现层（可运行性、内容、功能、视觉）、根因层（意图偏差、指令遵循、知识缺失、能力不足、幻觉）及对战相对结论，产出 Coding 能力榜与短板诊断报告。
- 负责评测数据的采集、清洗、去重、脱敏与格式标准化，保障数据质量与样本代表性。
- 负责标注任务的设计、质检与一致性管理，建立评测结果的入库、聚合与可视化流程，维护题库版本与数据溯源机制。
- 负责评测数据结构设计与自动化能力建设，包括模型、成本、token 消耗等数据表设计及批量编辑入口，支撑各方向榜单数据的自动更新。
职位要求
- 计算机相关专业本科及以上学历，具备扎实的编程能力，熟练掌握 Python 及至少一门主流开发语言。
- 具备代码审阅能力，能够准确评判模型生成代码的正确性、可运行性与工程质量。
- 熟悉主流代码评测集及其区分度与局限，理解分层评测设计思路，熟悉沙箱执行或 Agentic 代码评测流程。
- 具备代码 badcase 人工归因经验，能够独立完成结构化根因分析并形成结论。
- 熟练进行大规模数据处理（pandas 等），掌握数据清洗、去重、脱敏与质检方法，熟悉 JSON／JSONL 等评测数据格式。
- 理解标注一致性（IAA）度量与抽检机制，具备数据管线搭建能力，重视流程可复现性与数据溯源。
