1.主导 TB 级多语⾔语料、图⽂对、视频等全模态数据的获取、清洗与质量评估，构建可持续迭代的⼤ 模型“数据引擎”； 2.设计数据配⽐、去重、毒性过滤、隐私脱敏、知识增强等算法策略，持续提升预训练与后训练数据的 知识密度与安全性，搭建数据⾃动化处理流程； 3.建设⾃动化数据标注与主动学习平台，结合弱监督、远程监督与 Reward Model，实现⾼质量指令微 调数据（SFT/RLHF）的低成本、⼤规模⽣产； 4.跟踪 ACL、EMNLP、WWW、KDD 等顶会数据⽅向最新进展，将前沿数据选择、数据合成、课程学 习等⽅法转化为专利、论⽂与业务落地。

1.计算机、⼈⼯智能、信息管理、计算语⾔学等相关领域的硕⼠/博⼠； 2.熟悉多模态⼤模型数据清洗全流程，掌握分布式数据处理流程与质量评估算法； 3.具备⼤模型数据⼯程实战经验：主导过 1T tokens 以上语料清洗，熟悉 Hugging Face datasets、 Data-Juicer等⼯具； 4.编程扎实，精通Python/SQL等语⾔，对数据安全与合规有系统认知； 5.在ACL/EMNLP/WWW/KDD 等顶会或期刊以⼀作/共⼀发表过数据挖掘、数据质量、弱监督学习相关 论⽂，或拥有核⼼专利