腾讯混元大模型数据挖掘算法工程师（深圳）

1.对于互联网抓取数据、提供给大模型训练/搜索等场景预料进行清洗，提升语料纯度。

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.基于大模型训练需求，挖掘影视行业高质量视频/图片数据源，包括但不限于影视版权库、专业视频平台、头部影视制作公司及独立创作者资源； 2.通过采买、版权合作、联合标注等方式获取数据，解决稀缺数据获取难题，保障数据多样性（如4K/8K超高清、多场景片段、特效素材）； 3.深度分析头部AI企业的数据获取、使用策略，包括数据来源分布、清洗标准、标注方法等，形成分析报告并指导自身数据策略优化。

1.理解大模型训练数据需求，能够基于模型效果目标，形成高质量的数据交付目标与计划； 2.负责海外供应商开拓与建联，挖掘行业优质大模型数据资源，成数据资源拓展计划与策略，储备高质量数据资源； 3.负责海外数据采买与交付，参与优化采买交付流程，持续提升交付效率。