腾讯混元数据挖掘工程师（北京）

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.通过对广泛业务中用户行为和反馈的研究，确定自研LLM的改进空间、优先级，以及相应的改进手段； 2.与业务团队合作，将混元模型能力整合到产品及服务中； 3.对齐数据采集和生产的方法，确保数据质量保持在高标准，并根据定量和定性反馈不断改进流程，有一到两个行业的专有数据经验优先。

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。