蚂蚁集团-垂类模型评测科学家-北京/杭州/上海【AGI专项】

岗位职责

1. 定义垂类行业大模型的"黄金标准"，构建涵盖合规性、事实性、逻辑推理及安全性的多维度评测体系；
2. 负责搭建自动化评测平台与 Model-based Evaluation（以模评模）流水线，针对金融研报分析、投资决策、风险控制等复杂场景建设高难度测试集（Hard Case）；
3. 设计针对 Agentic AI 的动态评估框架，量化智能体在工具调用、多步决策及环境交互中的成功率与鲁棒性，通过精准的评测反馈驱动预训练与后训练的数据及策略迭代，形成"训练、评测、优化"的高效闭环。

任职要求

1. 计算机科学、统计学、金融或相关专业背景，具备 NLP 或大模型评测系统搭建经验；

2. 熟悉主流评测框架及指标设计，掌握 Model-based Eval、众包评估质量控制及自动化测试技术；

3. 具备构建 Agent 动态评测环境（Sandbox、Simulation）的能力，能够设计针对工具调用（Tool Use）与长链路推理的量化评估方案；

4. 具备扎实的工程实现能力，熟悉 Python 及主流深度学习框架，能够处理大规模评测数据的清洗与分析；

5. 具备良好的数据敏感度，能够通过 Bad Case 分析反推模型缺陷，具备优秀的工程素养；

6. 具备较强的团队合作和沟通能力，能够与算法团队紧密配合，提供客观、可执行的优化建议。 加分项

7. Curiosity-driven（极强的好奇心，热衷于挖掘 Corner Case 与探索模型能力边界）

8. Following the First Principle（坚持第一性原理解决问题）

9. Interdisciplinary background（金融+计算机/数学的复合背景，既深入理解业务逻辑，又能将其转化为可量化的算法评测指标）

10. Strong Algorithm & System Co-design capability（算法与系统协同设计的全局视野，能通过架构优化提升评测效率）

11. High data sensitivity & Problem discovery（极强的数据敏锐度与问题洞察力）

12. Full-stack coding skills（全栈工程能力）

特色标签

Python、Tool Use、人工智能、代理式人工智能、以模评模、功能调用、合规、多阶段推理、大模型算法、大语言模型、强化学习、智能体、智能评估平台、极限场景案例、模型驱动评估、测试工具、深度学习、算法工程化经验、缺陷归因分析、自动测试系统、自然语言处理算法、评价系统、评估框架、评测反馈闭环、迭代优化循环、金融、错误案例分析、长链路推理、风控、高难度测试集