职位描述 致力于构建高质量的大规模视觉训练数据集，支持图像、视频等多模态模型的研发。主导数据基础设施的设计与优化，确保数据具备良好的质量、多样性与可扩展性。 1. 开发并维护可扩展的数据基础设施，支持大规模图像和视频数据的采集、存储与管理； 2. 应用并部署机器学习模型用于数据清洗、预处理与格式标准化； 3. 实现可扩展且高效的工具，用于可视化、聚类以及深度理解数据； 4. 优化和并行化数据处理流程，以高效处理上亿级别的数据集； 5. 评估并提升训练数据的质量、多样性及标注准确性（包括但不限于caption生成）； 6. 将来自用户偏好的数据来源转化为可用于训练的格式； 7. 与模型研发团队紧密协作，根据训练效果和模型反馈持续迭代数据策略。

职位要求 1. 具备扎实的数据结构与并发编程能力，熟悉高效文件I/O与分布式文件系统； 2. 熟练使用主流图像与视频处理工具和库（如 OpenCV、FFmpeg、PyAV），具备复杂场景下的处理经验； 3. 具备在 CPU 和 GPU 上优化及并行化数据处理流程的能力； 4. 熟悉用于机器学习训练数据的数据标注与caption流程； 5. 熟悉大规模图像/视频数据清洗和预处理的流程； 6. 具备数据可视化与分析能力，能够辅助研发团队理解数据分布与问题特征。 加分项： 1. 参与过文生图、文生视频、多模态生成理解、AIGCs基座模型开发的经验优先； 2. 熟悉大数据处理框架（如 Apache Spark、Hadoop）优先。