阿里巴巴数据技术及产品部-领域专家（EDA/芯片设计）-RL 训练数据方向

1. 领域任务与数据构造设计：针对网络安全（CTF/漏洞挖掘/渗透测试/攻防对抗/安全对齐）做结构化拆解与任务设计，明确一级领域 → 二级场景 → 任务类型 → instance 模板，产出可复用的领域数据体系。 2. 数据来源与可验证环境组织：把可验证环境（Vulhub、CTF 靶场、开源渗透环境等）转化为可批量造题的数据来源；组织公开 writeup、漏洞库、专家标注等多路数据供给。 3. Rubric 共建：与 Rubric 团队一起把网安的专业判断（漏洞是否成立、利用是否有效、防御是否闭环）拆成可自动化验证的评分规则，识别本领域 rubric 上的领先能力点。 4. 外部专家管理：分配任务、答疑、抽检验收，把控专家产能与交付质量；给出清晰的标注规范、边界案例与仲裁依据。 5. 数据 → 模型 → 评测 闭环：读得懂网安相关 benchmark 表现，定位模型能力短板并反推所需数据；周期性输出数据质量报告，驱动数据补充与评测修正。 6. 外部专家与高校合作：与高校课题组、领域专家协作定义验收标准、评审样本、迭代规范，把外部资源转化为规模化精标数据。

1. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐; 2. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性; 3. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率; 4. 探索更科学的评测指标、更高效的评测方法。

1. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐; 2. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性; 3. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率; 4. 探索更科学的评测指标、更高效的评测方法。

负责搭建并管理面向多模态视频领域大模型的全链路数据体系，包括数据评测、加工、合成与标注。作为模型算法团队与数据采集团队的核心桥梁，确保高质量、多样化数据供给。主要工作包括以下： 1. 评测体系构建：主导多模态视频领域大模型的评测标准制定，建立涵盖理解、生成、对齐、安全四大维度的评估框架，设计人工评测与自动评测相结合的混合评估方案，搭建评测数据集、生产管线，建立与SOTA模型（GPT-4V、Claude、Gemini等）的对比评测机制，输出专业评测报告。 2. 数据链路架构：构建大规模多模态训练数据的全生命周期处理链路：采集→清洗→去重→质量筛选→格式标准化→安全过滤，搭建数据质量监控体系，建立数据价值评估模型，确保高信息密度数据的持续供给； 3. 标注规范与质量体系：制定细粒度多模态标注规范：图像详细描述、视频时序标注、跨模态对齐、复杂推理链标注等；建立分层质检机制：机器预检→人工抽检→专家终审，确保标注的质量；设计标注人员培训体系与能力认证标准，搭建领域专家标注团队。