腾讯混元多模态数据工程师（北京）
任职要求
1.全日制本科及以上学历，硕士优先，计算机或相关专业，工作经验1年及以上； 2.具备扎实的 Python 工程能力，熟悉模块化设计、异常处理、工程化代码结构，熟悉 Linux 环境，具备基本的 Shell 使用与问题定位能力，具备良好的代码质量意识（可维护性、可读性、可测试性）； 3.具备大规模数据处理经验，有 TB / PB 级数据处理实践，理解 ETL、数据管线、DAG …
工作职责
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。
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.负责TTS、ASR、声学前处理、自然语言处理、多模态大模型等AI系统的工程开发（包括训练工具和推理引擎的开发、优化、交付等）； 2.负责AI系统最新算法的集成、工程化、实际场景效果验证、优化、上线； 3.负责AI相关业务、产品的工程支持，在效果和性能上更好的落地。
1.参与LLM、多模态大模型压缩加速方案研究，包括投机采样、稀疏化、量化和蒸馏等方法； 2.设计可落地的大模型压缩算法及成本优化方案，助力大模型的性能加速； 3.分析业务性能瓶颈和模型特点，定制化开发大模型压缩优化工具，实现高速推理方案。