岗位职责
- 构建百亿-千亿级参数大模型的工业化数据管道原型系统，主导预训练数据（多语言/多模态）的数据质量治理体系设计，开发数据去噪、清洗、打标、去偏和毒性检测算法
- 构建大模型多维度评估体系：开发面向领域任务的细粒度评估框架，设计红蓝军对抗性测试集，在细粒度层面建立能力-数据关联分析模型
- 构建大模型Agent应用场景的交互数据闭环系统，开发自动化数据标注、推理轨迹数据监督和治理、幻觉检测和消除等技术模块
- 研究预训练和后训练的数据智能新架构、新流程和新算法，包括但不限于小样本数据蒸馏、课程学习策略优化、数据价值量化评估等，并实现先进方法的工程化落地
- 研究基于LLM的合成数据生成框架，探索多模态数据合成（代码/数学推理/跨模态对齐）方法，探索多模态思维链合成增强、对抗性和合作性数据增强等技术路线
职位要求
- 海内外高校计算机科学、人工智能、数据科学、数学等相关专业毕业。
- 技术栈： • 精通Python编程，具备扎实的算法、数据结构和机器学习基础。 • 精通深度学习和大模型框架（如PyTorch、Huggingface transformer、LangChain、vLLM、DeepSpeed、Megatron-LM等）。 • 精通大模型的基本原理、训练和评估流程。
- 项目经验（满足2项+优先）： • 主导过亿级token量级的大模型预训练数据清洗项目 • 在NeurIPS/ICLR/ICML/ACL等顶会发表过大模型数据侧算法的相关论文 • 开发过企业级LLM数据治理工具 • 具有复杂Agent系统的决策数据优化经验
- 论文阅读与实现能力：能够快速阅读和理解顶级会议（如NeurIPS、ICLR、ICML、ACL等）的论文，并复现算法。
- 团队合作：良好的沟通能力和团队协作精神，能够与团队成员高效合作。
