知乎大模型数据质量分析师

1、模型对⻬与数据影响分析：深⼊⼤模型对⻬训练（SFT/RLHF）的全流程，理解并分析数据在每个环节对模型能⼒的核⼼影响。 2、数据缺陷定位与优化：通过对模型评测、负⾯案例和⽣产数据的深度分析，从数据视⻆定位模型与数据的缺陷，提出并推动有效的优化策略。 3、数据⽣产与评测体系建设：参与设计和迭代模型对⻬所需的数据⽣产⽅案、数据平台⼯具搭建，并辅助构建、维护⽤于衡量模型能⼒的评测基准。 4、效率与质量探索：探索并实践利⽤⼤模型本⾝提升数据⽣产、标注和评测效率的前沿⽅法，挑战更⾼的数据质量与效率上限。

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。