AI4S 大模型数据工程师（NLP / 多模态方向）

Job description

一、岗位定位

负责下一代 AI for Science（AI4S）基础模型的数据体系建设，面向大语言模型和科学多模态模型，建设覆盖互联网文本、科学知识、代码、数学推理、多模态数据等多类型训练数据。 岗位需要结合 NLP、大模型数据工程和多模态数据处理技术，从海量异构数据中构建高质量训练数据，支撑模型预训练、后训练、推理增强和 AI Agent 能力发展。

二、岗位职责

1.

大规模多源数据采集与处理 负责多类型训练数据的采集、处理和组织，包括但不限于

互联网数据

• Web网页（HTML）
• Wikipedia、论坛、技术博客
• PDF论文、教材、专利、技术报告 科学数据
• 科学论文与专业知识库
• 实验数据与模拟数据
• 化学、材料、物理、生物等科学数据库 代码和推理数据
• 开源代码仓库
• 软件工程数据
• 数学题、证明与推理过程
• 科学推理与问题求解数据 多模态数据
• 图像
• 表格
• 结构化数据
• 时序数据

科学图谱和模拟轨迹等 主要工作包括

• 网络爬虫与数据获取；
• PDF解析、OCR识别、版面分析；
• 数据格式转换与统一模式设计；
• 多模态数据组织与管理。

大模型数据处理与质量治理 建设大模型训练数据 pipeline，包括

• 数据清洗与标准化；
• 数据去重（精确去重 / 近似去重）；
• 数据分类（领域、模态、质量、语言等）；
• 数据质量评估与过滤；
• 数据污染检测；
• 数据混合设计与优化。

高质量训练数据构建 负责模型训练所需高质量数据建设，包括

• 代码、数学、推理、科学数据整理；
• 合成数据生成、筛选和质量评估；
• Agent/ 工具调用数据构建；
• 指令数据构建与优化；
• 数据标注规范制定与标注流程优化。

数据驱动模型迭代 结合模型训练与评测结果，持续优化数据体系，包括

• 模型失败案例分析；
• 数据缺陷定位；
• 新数据需求发现；
• 数据采集与生成策略优化。 建立“数据采集 → 数据处理 → 模型训练 → 模型评测 → 数据优化”的数据飞轮。

三、任职要求

必备条件

• 计算机、人工智能、自然语言处理、数据科学等相关专业硕士及以上学历；
• 扎实的 NLP 基础，熟悉大语言模型训练流程，包括预训练、监督微调、强化学习等；
• 熟悉大规模文本和多模态数据处理技术；
• 熟悉常见数据处理工具和框架；
• 具有大模型、多模态模型或相关数据 pipeline 搭建经验；
• 具备优秀的数据质量意识和工程实践能力。

优先考虑 具有以下经验者优先

大模型数据经验

• 大规模互联网数据处理；
• Web crawler 及 HTML 数据解析；
• PDF文档解析和科学文献处理；
• 多模态数据处理；
• 代码、数学、推理数据构建；
• 合成数据和智能体数据建设；
• 数据评测与数据治理经验。

AI4S 相关背景 具备以下任一方向经验者优先

• 材料科学；
• 化学；
• 物理；
• 生物信息学；
• 科学计算与模拟。