一、岗位定位

负责下一代 AI for Science（AI4S）基础模型的数据体系建设，面向大语言模型和科学多模态模型，建设覆盖互联网文本、科学知识、代码、数学推理、多模态数据等多类型训练数据。

岗位需要结合 NLP、大模型数据工程和多模态数据处理技术，从海量异构数据中构建高质量训练数据，支撑模型预训练、后训练、推理增强和 AI Agent 能力发展。

二、岗位职责

1. 大规模多源数据采集与处理

负责多类型训练数据的采集、处理和组织，包括但不限于：

互联网数据

•  Web网页（HTML）

•  Wikipedia、论坛、技术博客

•  PDF论文、教材、专利、技术报告

科学数据

•  科学论文与专业知识库

•  实验数据与模拟数据

•  化学、材料、物理、生物等科学数据库

代码和推理数据

•  开源代码仓库

•  软件工程数据

•  数学题、证明与推理过程

•  科学推理与问题求解数据

多模态数据

•  图像

•  表格

•  结构化数据

•  时序数据

•  科学图谱和模拟轨迹等

主要工作包括：

•  网络爬虫与数据获取；

•  PDF解析、OCR识别、版面分析；

•  数据格式转换与统一模式设计；

•  多模态数据组织与管理。

大模型数据处理与质量治理

建设大模型训练数据 pipeline，包括：

•  数据清洗与标准化；

•  数据去重（精确去重 / 近似去重）；

•  数据分类（领域、模态、质量、语言等）；

•  数据质量评估与过滤；

•  数据污染检测；

•  数据混合设计与优化。

高质量训练数据构建

负责模型训练所需高质量数据建设，包括：

•  代码、数学、推理、科学数据整理；

•  合成数据生成、筛选和质量评估；

•  Agent/ 工具调用数据构建；

•  指令数据构建与优化；

•  数据标注规范制定与标注流程优化。

数据驱动模型迭代

结合模型训练与评测结果，持续优化数据体系，包括：

•  模型失败案例分析；

•  数据缺陷定位；

•  新数据需求发现；

•  数据采集与生成策略优化。

建立“数据采集 → 数据处理 → 模型训练 → 模型评测 → 数据优化”的数据飞轮。

三、任职要求

必备条件

•  计算机、人工智能、自然语言处理、数据科学等相关专业硕士及以上学历；

•  扎实的 NLP 基础，熟悉大语言模型训练流程，包括预训练、监督微调、强化学习等；

•  熟悉大规模文本和多模态数据处理技术；

•  熟悉常见数据处理工具和框架；

•  具有大模型、多模态模型或相关数据 pipeline 搭建经验；

•  具备优秀的数据质量意识和工程实践能力。

优先考虑

具有以下经验者优先：

大模型数据经验

•  大规模互联网数据处理；

•  Web crawler 及 HTML 数据解析；

•  PDF文档解析和科学文献处理；

•  多模态数据处理；

•  代码、数学、推理数据构建；

•  合成数据和智能体数据建设；

•  数据评测与数据治理经验。

AI4S 相关背景

具备以下任一方向经验者优先：

•  材料科学；

•  化学；

•  物理；

•  生物信息学；

•  科学计算与模拟。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录