岗位职责
- 负责大规模预训练语料生产链路的设计与落地，为基座模型训练提供稳定、可靠的高质量语料供给；覆盖数据寻源、抓取采集、多模态解析（OCR、图像、网页等）等全流程环节。
- 建设服务于预训练的一站式数据平台，围绕元信息、血缘关系、存储治理等要素管理语料的全生命周期；打造预训练语料的可视化与可观测能力，持续探索数据实验、数据版本管理的工程化边界。
- 面向 LLM、VLM 等模型场景，构建数据合成方案与配套框架，支撑语料规模化扩展（Data Scaling）等关键工作。
- 结合大模型训练语料的特点，抽象并沉淀高效、可靠的数据加工框架，全面提升算法工程师在数据处理环节的研发效率。
职位要求
- 计算机相关专业背景，熟练掌握至少一门主流编程语言（Go / Python / Java 等），具备扎实的工程实现能力；
- 具备良好的技术热情与自驱力，面对复杂问题能够独立思考、快速学习，愿意在数据与大模型交叉领域持续深耕；
- 深入理解大数据技术体系，熟悉 Spark、Flink、Kafka、Hive、HDFS 等主流组件的原理与实践；
- 对大模型技术栈及产品生态有较为深入的了解，关注前沿进展；
- 熟悉数据中台、机器学习平台等系统级平台的开发或使用经验。
