岗位职责
- 语料战略与路线图：结合模型迭代节奏与Scaling Law对数据规模、质量、配比的需求，制定语料建设路线图（规模、语种、模态、领域覆盖），定义各阶段语料供给的量化目标并推动达成；
- 语料获取与资产化：主导全网URL库、DataMap等语料资产底座建设，建立高质量数据源的发现、评估与引入机制（公开数据、授权数据、业务私有数据），构建语料价值评估模型，实现语料资产可度量、可运营、可复用；
- 大规模清洗与质检体系：设计并持续演进千亿级token语料处理Pipeline（去重、去污染、质量分层、敏感信息过滤、版权合规校验），建立自动化质量评估体系（LLM-as-Judge、人工抽检、基准集回归），定义质量门禁与数据血缘标准；
- 数据配比与效果闭环：与算法团队共建训练数据配比（data mixing）策略，设计并执行配比实验，建立"模型评测诊断→数据问题归因→Pipeline迭代→效果回归验证"的数据飞轮，以可量化指标（评测分数提升、单位token成本下降）驱动语料持续优化；
- 领域与多模态语料：主导金融、风险、医疗等核心领域语料及图文、音视频等多模态语料的建设方案（非结构化数据解析、对齐、稀缺样本增强），沉淀可复用的领域语料资产与构造方法论；
- 前沿探索与提效：跟踪数据合成、智能标注、AI辅助数据生产等前沿方向，完成技术评估与引入落地，持续提升语料生产效率与质量；
- 组织影响力：定义团队语料建设的技术规范与最佳实践，培养中初级数据工程师，跨团队拉通算法、产品、工程对语料的需求与验收标准；视需要输出对外影响力（技术分享、开源、论文）。
职位要求
- 8年以上数据工程、数据仓库或大规模数据处理经验，其中至少2年深耕大模型训练数据/语料建设，有TB级以上语料处理或从0到1语料体系落地的成功案例；
- 深刻理解LLM训练数据飞轮与Scaling Law对数据规模、质量、配比的约束，有数据配比实验设计经验，并能给出对模型效果的可量化贡献；
- 精通大规模语料处理Pipeline架构设计（去重、去污染、质量分层），熟悉主流数据质量评估方法与工具链，有自建评估基准集的经验；
- 具备训练数据合规治理实战经验（版权、隐私、毒性及敏感信息过滤），熟悉集团内外部数据合规红线；
- 扎实的工程能力（精通Python/Go/Java其一，熟练使用Spark、HiveSQL等大数据工具），能穿透到代码与数据细节定位复杂问题；
- 具备跨团队协同与技术影响力，能驱动算法、产品、工程团队就语料标准与验收达成一致，有团队培养或技术规划经验。 加分项
- 有头部互联网公司大模型数据集建设经验，或主导过支撑千亿/万亿参数模型训练的语料供给项目；
- 有多模态语料（PDF解析、OCR后处理、音视频转写与对齐）或合成数据生成与质控的实战经验；
- 有GPU算力/数据成本治理经验、语料价值评估方法论研究背景，或语料生成/标注平台、LLM数据供应链平台的建设经验；
- 在智能标注、AI辅助数据生产工具有落地成果，持续关注行业前沿并能快速完成引入与验证。
