岗位职责
预训练方向：
- 分析大规模视频、图像及文本数据的内容分布、质量、多样性、冗余度、长尾覆盖和缺失模式。
- 建设多模态数据理解能力，包括 embedding、检索、聚类、分类、标签体系、Caption 和质量评估。
- 研究并落地数据清洗、去重、召回、采样、数据配比和课程学习等策略，优化预训练数据组成。
- 围绕人物、场景、动作、运镜、时序一致性、物理规律和审美等维度，建立视频数据分析与分层方法。
- 与模型团队共同设计数据消融和对比实验，分析数据规模、质量及分布对模型能力的影响。
- 持续识别预训练数据中的能力缺口，形成“数据分析—策略设计—训练实验—效果归因”的数据飞轮。
- 参与大规模数据处理 Pipeline、数据分析平台和可视化工具建设，提高数据研究及生产效率。 后训练方向：
- 面向视频生成模型的 SFT、偏好优化和强化学习，设计并构建高质量后训练数据。
- 分析模型在指令遵循、主体一致性、动作生成、复杂运镜、时序稳定性、物理规律和视觉审美等方面的能力短板。
- 建设细粒度评测和错误分类体系，对模型失败案例进行聚类、归因和优先级判断。
- 研究难例挖掘、数据筛选、数据合成、拒绝采样、偏好构造和数据配比等策略。
- 建设视频生成偏好数据，包括 Pairwise Ranking、评分标准、标注规范及质量控制机制。
- 探索基于多模态模型、Reward Model 和自动评测器的数据生产与筛选方法，提升数据生产效率。
- 与模型团队共同开展 SFT、DPO、Reward Fine-tuning、RL 等实验，分析不同数据策略对模型能力的影响。
- 结合离线评测、人工反馈和实际使用反馈，形成“模型评测—数据归因—数据构造—训练验证”的后训练数据飞轮。
职位要求
- 有视频，图片，音频大规模数据处理经验或相关的预训练，后训练经验。
- 2028 届及以后本科或研究生在读，计算机、人工智能、数学、统计学等相关专业优先。
- 熟悉深度学习基础，了解多模态模型、视觉语言模型或视频生成模型的基本原理。
- 对数据内容及分布敏感，能够从数据现象中发现问题、提出假设并设计实验验证。
- 熟练使用 Python，掌握 PyTorch，具备良好的数据分析、统计和可视化能力。
- 了解 embedding、向量检索、聚类、分类、去重或采样等常用算法。
- 具备较强的研究能力和工程能力，能够独立定义问题并推动落地。
- 每周可实习 4 天及以上，连续实习 3 个月以上，能长期实习者优先。
