岗位职责
研究领域: 大模型 项目简介: 随着大模型在垂直领域的深入应用,高质量训练数据的稀缺性已成为制约模型性能进一步提升的关键瓶颈。尤其在医疗、安全、智能体等高价值领域,数据获取成本高昂、耗时长,且领域特有的知识密度和复杂性使得传统标注方法难以满足需求。当前,虽然半监督学习、主动学习、带噪学习等技术在数据高效利用方面展现出潜力,但在大模型后训练场景中,这些技术尚未形成系统化的解决方案。例如,主动学习中的样本选择策略往往依赖单一准则,难以适应多轮交互中的动态需求;带噪学习在面对奖励噪声或标注错误时缺乏鲁棒性;CoT(Chain-of-Thought)评估筛选机制尚未与数据选择有效结合。此外,现有方法多聚焦于单一技术路径,缺乏针对垂域场景的端到端集成框架,导致数据利用效率低、泛化能力不足。为突破这一困境,亟需探索融合无监督筛选、多轮主动学习、噪声鲁棒性优化及CoT合成评估的综合性技术方案,构建面向大模型后训练的数据高效学习框架,提升面向垂直领域的高质量数据供给与模型迭代效率。
职位要求
研究领域: -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用: -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作