职位描述 1、主导海量数据 Pipeline 建设：负责预训练数据从采集、高精解析、深度清洗、到实验分析的全链路自动化管线设计，为千亿级/万亿级参数基座模型提供稳定、高质量、多模态的预训练语料支撑； 2、前沿合成数据（Synthetic Data）探索：深入研究基于大语言模型的数据合成与增强技术，设计创新的生成策略，突破物理世界数据的长尾限制，填补核心能力缺口； 3、构建可信评估与闭环体系：建立针对合成数据的自动化质量评估体系，结合模型下游任务表现与Scale规律，逆向迭代数据生成策略，实现“数据-模型”双向闭环； 4、打造高并发分布式数据底座：设计并优化高并发、高弹性的数据工程架构，保障海量文本/代码/多模态数据的清洗与去重（MinHash/Semantic De-duplication）效率，提升资源利用率； 5、沉淀高价值数据标签体系与策略：建设端到端的数据质量、多样性度量体系及高精细度标签系统，探索真实数据与合成数据的最优Scaling Law配比。

职位要求 1、本科及以上学历，计算机、AI、数学等相关专业，具备扎实的算法与编程功底； 2、深入理解大模型预训练基本原理，对预训练数据特性、分布及Scaling特性有深刻洞察； 3、具备优秀的数据敏感度与指标设计能力，能熟练运用ML算法进行数据筛选与特征工程；具备出色的自驱力与跨团队沟通协作能力。