腾讯混元数据算法工程师（北京）
任职要求
1.硕士及以上学历，计算机视觉、自然语言处理或多模态方向背景优先； 2.熟练掌握深度学习框架（如PyTorch、TensorFlow），熟悉模型训练及数据处理经验，具备优秀的独立开发与分析调研能力； 3.具备良好的团队协作能力，具备强烈的自我驱动力，能够…
工作职责
1.数据特征算法：负责海量文本&多模态数据（图像，视频，音频，3D）的内容理解（如分类标签体系、embedding表征、Caption生成等），质量检测（低质识别检测、优质美学评价等），去重/聚类分析，数据合成等算法； 2.数据pipeline建设：负责数据采集、筛选清洗、标注与质量评估pipeline的建设。与模型业务团队紧密配合，充分分析挖掘数据资源，建立自动化数据处理流程与机制，支持模型持续迭代； 3.数据实验分析：对模型训练数据进行详细分析，建立科学数据实验机制，识别样本不足、质量问题、配比不均衡等潜在问题，驱动数据优化提升数据覆盖、质量、多样性需求，最终带来大模型生成效果的持续提升。
1.负责语音/音频大模型研发，包括语音对话（语音交互/音视频对话）、音频理解（ASR/音频caption）、音频生成（TTS/视频配音）等模型研发； 2.负责语音/音频大模型的预训练、后训练、强化学习（文本和音频强化）相关的数据和算法工作； 3.负责语音对话/音频理解/音频生成的模型开源以及产品落地（比如语音对话产品全链路端到端优化、音频理解在噪音/口音/远场/音效音乐场景的优化、语音合成在播报/闲聊/游戏/社交等场景的优化）。
1.基于大模型训练对于数据的需求进行互联网数据抓取，对提供给大模型训练/搜索等场景的语料进行清洗，提升语料纯度； 2.建设对标业内前沿的大模型训练数据集和数据清洗能力，提升数据质量和多样性，并验证数据价值和效果。
1.多模态数据管线建设：设计并实现面向大模型训练与推理的多模态数据处理与构建管线，覆盖图像、视频、音频、文本、3D 及多模态理解等数据类型，支撑预训练、后训练（SFT / RLHF / Preference）及评测数据构建； 2.大规模数据工程与系统建设：构建高可靠、可扩展的数据处理系统，支持 TB / PB 级数据规模，负责批处理与流式处理任务的工程实现，参与或主导分布式并行计算（CPU / GPU 混合）的工程落地； 3.数据质量与稳定性保障：建立数据校验与质量评估机制，覆盖数据完整性、一致性、分布异常与质量回归等场景，设计并推动数据处理链路的监控与异常治理； 4.数据资产化与标准化建设：推动多模态数据结构的标准化设计，建设数据元信息、版本管理与可追溯机制，提升数据的可复用性与长期资产价值； 5.跨团队协作与需求落地：与算法、模型、平台等团队深度协作，将模型需求与业务目标转化为可落地的数据工程方案，参与复杂数据问题的拆解、方案设计与推进落地。