岗位职责

训练数据体系构建：主导半导体领域大模型训练数据体系建设，包括领域语料（芯片设计、工艺、测试、失效分析文档、专利、行业报告）的采集、清洗、去重、质量评估与分级管控；
文档解析与数据生产Pipeline构建：设计并实现针对PDF、PPT、图表（wafer map、时序图、参数表）等非结构化文档的解析、结构化抽取与入库，持续优化解析准确率与吞吐能力；
术语库与知识库建设：主导半导体专业术语与缩写的归一化与对齐工作，支撑知识图谱构建及检索增强生成（RAG）语料准备；
指令数据与评测集运营：设计并运营有监督微调（SFT）指令数据与领域评测集，协同工艺、设计、测试专家制定标注规范，构建术语问答、参数查询、故障诊断类评测数据，跟踪模型幻觉问题并迭代优化；
大规模分布式数据处理平台搭建：基于Spark/Ray等框架搭建分布式数据处理任务，建立数据元信息、血缘与版本管理体系，保障敏感数据的合规流转与脱敏。

职位要求

教育背景与专业知识：硕士及以上学历，计算机、数据科学、AI或相关专业，能区分预训练、有监督微调、检索增强生成各阶段对数据质量与格式的不同要求；
专业技能与资格：能使用Python开发并维护数据Pipeline，能使用Spark、Flink或Ray等分布式框架完成TB级以上数据处理与性能调优；能使用非结构化文档解析工具（如PyMuPDF、OCR）完成PDF、图表、表格的结构化抽取；能通过Git、CI/CD进行版本管理与持续集成；
行业与专业经验：2年以上数据工程或大语言模型（LLM）数据处理相关全职工作经验，具有半导体电子行业文档处理经验者优先考虑；
项目/任务成果：主导完成至少一个大规模离线数据Pipeline从开发到上线的完整交付；主导完成至少一个LLM语料治理或非结构化文档解析项目，涵盖需求分析、方案设计、落地迭代全阶段；
其他要求：具有数据安全与合规意识，能设计敏感数据脱敏与分级保护方案；具有跨团队协作能力，能与领域专家及算法工程师对齐需求并主动推动问题闭环；有HuggingFace生态或开源语料项目贡献者优先考虑。