岗位职责
团队介绍：数据工程与平台团队旨在实现人类知识与经验向模型能力的加速迁移。我们从真实场景出发，通过模型短板识别、高质量数据定义、规模化数据生产，提升模型能力。与此同时，团队还致力于依托训练反馈，反哺数据设计，推动系统迭代，构建业内一流的数据工程能力与平台。
- 负责字节跳动Seed大模型的预训练数据策略与生产，覆盖LLM、VLM及多模态模型；围绕模型能力目标，开展高质量数据寻源、采集解析、清洗去重、筛选、配比、合成和规模化生产，持续提升数据的质量、多样性及有效性；
- 负责Seed大模型的后训练数据策略与生产，覆盖Pretrain Midtrain、SFT、RL等阶段，以及Code、Agent、多模态和Application等重点方向；围绕模型能力薄弱点，建设任务构造、环境搭建、Agent轨迹生成与分析、Verifier/Reward、自动评测和训练反馈回流能力；
- 建设面向复杂任务的数据生产体系，支撑代码生成、General Agent、GUI Agent、Tool Use、长程任务及真实应用场景；通过Workflow编排、环境与任务Scaling、轨迹筛选、质量门禁和自迭代机制，提升训练数据的规模、质量与可复用性；
- 参与大模型数据生产平台和基础设施建设，将数据采集、标注、合成、环境、调度、质检、评测和回流沉淀为标准能力；探索Agent驱动的智能标注、数据生成、价值评估、错误修正和自动化数据生产，提升整体生产效率；
- 与预训练、后训练算法团队及产品、评测、业务团队协作，将模型训练实验、能力评测和真实用户反馈转化为可验证的数据方案，形成“能力分析—数据生产—模型训练—效果验证”的持续迭代体系。
任职要求
- 2027届获得本科及以上学历，计算机、人工智能、软件工程、数学、自动化等相关专业优先；
- 具备扎实的机器学习和深度学习基础，理解Transformer、预训练、持续预训练、SFT、RL等基本原理，对数据质量、数据配比与模型能力之间的关系有较深入的认识；
- 在LLM、VLM、代码生成、Agent、多模态学习、强化学习或Data-Centric AI等至少一个方向有研究或项目经验；具备大模型预训练或后训练数据实践经验者优先；
- 能够基于模型评测和训练实验分析能力问题，提出数据假设、设计验证实验，并根据实验结果持续迭代数据策略；
- 具备良好的编程和工程能力，熟练使用Python，掌握Go、Java/Kotlin、TypeScript、C++等一种或多种语言；有PyTorch、Transformers、大规模数据处理或分布式任务系统经验者优先；
- 在大模型、多模态、机器学习、自然语言处理或计算机视觉相关方向有高质量研究成果，或在NeurIPS、ICML、ICLR、ACL、EMNLP、CVPR等顶级会议发表论文者优先；富有好奇心和自驱力，具备较强的研究能力、开放问题解决能力及沟通协作能力，兼具算法理解与工程落地能力者优先。