职位描述1、多模态数据引擎设计与开发：负责构建高吞吐、低延迟的多模态数据处理流水线，支持文本、图像、视频、音频等异构数据的统一接入、去重、过滤、增强与结构化存储，提升数据可用性与训练稳定性。 2、基座模型预训练数据构建：基于业务场景需求，设计并实现高质量预训练数据集的构建方案，包括跨模态对齐策略、数据混合比例优化、噪声样本识别与剔除机制，确保数据分布合理、覆盖全面。 3、自动化标注与数据合成技术研究：探索基于大模型（如LLM/VLM）的弱监督/自监督标注方法，研发合成数据生成技术（如Diffusion生成图文对、仿真环境生成带标签视频），降低对人工标注的依赖。 4、数据-模型联合优化：分析模型训练过程中的数据敏感性，识别“高价值数据”与“有害样本”，推动数据策略动态调整；结合模型反馈构建数据优先级排序机制，实现“数据主动供给”。 5、多模态基座模型训练与评估：参与多模态大模型（如CLIP、Flamingo、LLaVA架构）的预训练与后训练过程，设计指令微调、偏好对齐等任务的数据构造方式，并建立客观、可复现的模型能力评测体系。 6、前沿技术探索与落地：跟踪NeurIPS、ICML、CVPR、ACL等顶会最新进展，探索数据引擎与世界模型、Agent系统、多模态RAG等方向的融合可能性，推动新技术在实际业务中的验证与应用。任职要求1、计算机科学、人工智能、机器学习或相关领域硕士及以上学历，具备扎实的算法理论基础与工程实现能力。 2、熟悉多模态大模型（VLM/MLLM）的技术架构与训练流程，掌握CLIP、BLIP、LLaVA、Qwen-VL等主流模型原理，有实际项目经验者优先。 3、精通Python编程语言，熟练使用PyTorch、HuggingFace Transformers等深度学习框架；具备大规模数据处理经验，熟悉Spark、Dask、Ray等分布式计算工具者更佳。 4、在多模态预训练、自监督学习、表征学习、跨模态对齐等方向有深入研究，熟悉对比学习、掩码学习、图文匹配、视频-文本检索等核心技术。 5、具备优秀的工程能力，能独立完成从数据清洗、特征提取到模型训练的端到端开发，熟悉Docker、Kubernetes、MLflow等MLOps工具者优先。 6、对数据质量与模型性能的关系有深刻理解，具备较强的分析与问题定位能力，能够通过数据诊断驱动模型优化。 7、具备良好的沟通协作能力，能与算法、工程、产品团队高效协同，推动复杂系统的落地与迭代。
