字节跳动大模型数据（CS方向）实习生-AI数据与安全
任职要求
1、本科及以上学历在读，理工科（数学、物理、化学、生物、工程、计算机）相关专业；
2、在本专业细分领域有深厚积累，具备独立研究或复杂问题求解能力；…工作职责
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：AI数据与安全团队为Seed基座模型及AI原生应用提供跨模态数据服务，覆盖数据生产全流程，包含模型评估标准的制定、数据规模化生产、数据飞轮搭建，不断提升数据质量，支持模型快速迭代。 团队由产品经理、数据工程、数据运营等跨职能人才组成，并通过与Seed研究员、行业专家、全球顶尖数据供应商紧密合作，从真实场景中收集反馈并分析模型表现数据，解决AI前沿突破过程中的复杂数据问题，推动模型性能与用户体验的双重提升。我们既是帮助模型技术迭代的一线贡献者，也是模型和AI产品的一手用户。 1、负责从学科领域视角为模型训练提供关键洞察，将模型问题转化为标准化、可落地的专业数据建设方案，推动大模型在专业领域的能力提升； 2、专业领域洞察输出：输出面向模型训练的学科科研领域洞察，及训练优化建议； 3、与算法、产品团队深度协作，识别模型的问题，将问题拆解为清晰的专业数据需求； 4、评价模型效果，并通过模型与人工结合的方式，提出适用于优化大模型的数据生产办法。
1.参与大模型训练数据体系的构建，协助设计高质量、大规模数据的采集、清洗、评估与迭代机制； 2.探索多模态（文本、图像、音频、视频等）数据的内容理解、质量建模与特征提取方法，支持数据驱动的大模型优化； 3.参与Prompt工程相关技术研发，包括结构化指令设计、自动化生成策略及效果验证框架的实现； 4.协助开发可扩展的数据处理工具链，结合分布式计算与AI技术，提升全模态数据生产效率与一致性； 5.与算法、工程及产品团队协作，将前沿数据方法落地到实际训练流程中，并持续跟踪效果反馈。
1、参与超大规模 AIGC 训练数据生产体系建设，覆盖图片、视频、文本、音频等多模态数据的全生命周期管理，支撑世界领先的多模态生成模型训练需求； 2、与算法团队、AI infra团队深度协作，深入理解业务场景，持续迭代数据生产系统的稳定性、易用性，不断提升交付效率； 3、针对多模态训练数据的打标和训练特征的离线推理场景，优化推理吞吐和性能； 4、参与数据生产过程的资源整体利用率优化，包括异构资源调度、算力动态规划、弹性扩缩容等，降低单位数据生产成本。
1、设计和开发分布式大模型数据平台，提供高性能、可扩展的数据处理链路，支撑LongCat基座、语言模型和多模态大模型的高效训练迭代； 2、构建海量数据的全生命周期管理体系，提供元信息、数据血缘、存储治理、可视化与可观测能力；探索数据实验和数据发版的工程上限； 3、深入理解大模型训练流程和数据策略，抽象并开发高效、可靠的数据加工框架，显著提升算法团队的数据工程效率； 4、与算法工程师紧密配合，设计数据策略解决方案，用工程能力放大数据对模型效果的杠杆作用。
参与大模型数据清洗及处理技术的研发与优化，包括但不限于： 1.大模型数据质量的持续提升改进与实现； 2.参与数据主题分类模型的构建 3.VLM/ALM/LLM数据的合成与生产的协同优化； 4.提示工程（Prompt Engineering）的探索 5.构建和评测数据的质量及评估的方法及评测集的构建 6.跟进学术界与工业界最新进展。