返回岗位列表

预训练数据算法工程师

查看原岗位

地点：北京薪资：40-70K 日期：2026-03-03

岗位摘要

负责从互联网及多源文本中构建高质量语料库，主导大模型预训练数据体系的规划与建设；设计并实现大规模文本数据的采集、清洗、去重与质量评估流程；制定并迭代语料策略，主导数据消融实验，深度分析不同数据方案对模型能力（知识、推理、表达等）的影响

岗位职责

负责从互联网及多源文本中构建高质量语料库，主导大模型预训练数据体系的规划与建设
设计并实现大规模文本数据的采集、清洗、去重与质量评估流程
制定并迭代语料策略，主导数据消融实验，深度分析不同数据方案对模型能力（知识、推理、表达等）的影响
搭建高效可扩展的数据处理管线，支撑PB级语料规模的构建与持续优化

任职要求

计算机、数学、数据科学等相关专业，本科及以上学历，CS/Coding功底扎实
熟练掌握Python，熟悉Spark/Ray/PyTorch等分布式计算与深度学习框架，具备PB级大规模数据处理与分析经验
具备出色的数据sense，对数据高度敏感，能从大规模数据分析与实验中识别影响模型表现的关键信号
具备强烈的好奇心与自驱力，对AI数据体系建设与模型优化充满热情
有参与公开的开源/闭源LLM预训练数据经验者优先（如参与过其数据配比、构建流程等）

加分项

）有过参与公开的开源/闭源 LLM 预训练数据经验者（如参与过其数据配比、构建流程等）优先
完整的大模型数据和预训练流水线，能接触工业级的大模型迭代
与顶尖的算法/研究团队紧密合作，在高速迭代的环境中共同推进 SOTA 模型的研发
韩先生刚刚活跃

福利待遇

完整的大模型数据和预训练流水线，能接触工业级的大模型迭代
与顶尖的算法/研究团队紧密合作，在高速迭代的环境中共同推进SOTA模型的研发

工作地址

北京海淀区大恒科技大厦南座