蚂蚁集团-蚂蚁技术研究院-大模型数据算法研究员

岗位职责

1. 构建百亿-千亿级参数大模型的工业化数据管道原型系统，主导预训练数据（多语言/多模态）的数据质量治理体系设计，开发数据去噪、清洗、打标、去偏和毒性检测算法

2. 构建大模型多维度评估体系：开发面向领域任务的细粒度评估框架，设计红蓝军对抗性测试集，在细粒度层面建立能力-数据关联分析模型

3. 构建大模型Agent应用场景的交互数据闭环系统，开发自动化数据标注、推理轨迹数据监督和治理、幻觉检测和消除等技术模块

4. 研究预训练和后训练的数据智能新架构、新流程和新算法，包括但不限于小样本数据蒸馏、课程学习策略优化、数据价值量化评估等，并实现先进方法的工程化落地

5. 研究基于LLM的合成数据生成框架，探索多模态数据合成（代码/数学推理/跨模态对齐）方法，探索多模态思维链合成增强、对抗性和合作性数据增强等技术路线

任职要求

1. 海内外高校计算机科学、人工智能、数据科学、数学等相关专业毕业。

2. 技术栈：

   • 精通Python编程，具备扎实的算法、数据结构和机器学习基础。
   • 精通深度学习和大模型框架（如PyTorch、Huggingface transformer、LangChain、vLLM、DeepSpeed、Megatron-LM等）。
   • 精通大模型的基本原理、训练和评估流程。

3. 项目经验（满足2项+优先）：

   • 主导过亿级token量级的大模型预训练数据清洗项目
   • 在NeurIPS/ICLR/ICML/ACL等顶会发表过大模型数据侧算法的相关论文
   • 开发过企业级LLM数据治理工具
   • 具有复杂Agent系统的决策数据优化经验

4. 论文阅读与实现能力：能够快速阅读和理解顶级会议（如NeurIPS、ICLR、ICML、ACL等）的论文，并复现算法。

5. 团队合作：良好的沟通能力和团队协作精神，能够与团队成员高效合作。

特色标签

Python、代理应用、内容安全、原始数据处理、发表算法相关优秀论文、多媒体数据、多模态算法、大数据、大模型算法、大语言模型、少量数据提炼、搜索、数据传输系统、数据分类、数据挖掘、数据标注、数据流、数据管理、数据质量控制、智能研发、机器学习、标记数据、测试系统、深度学习、深度学习模型、生成式数据、研发效能、算法工程化经验、精炼数据、自主智能体场景、自然语言处理算法、虚拟数据创建、训练数据集、评价框架、跨模态信息