求职者

公司描述：

中国领先的本地生活服务平台

工作地点：

北京

工作职责:

• 构建端到端的网页文本内容提取系统，针对网络数据的复杂性，从系统效率和模型效果角度持续优化内容提取算法，迭代生产标准；
• 设计预训练数据的全局质量优化和治理方案，优化全局采样策略、隐私保护和安全合规，提升基座模型训练效率和最终效果；
• 建设多模态交错数据处理链路，通过数据分析和配比实验等手段优化多模态数据质量和多样性，支撑多模态大模型数据需求；
• 跟进大模型数据领域前沿技术（如Data Selection、Data Influence、Curriculum Learning和合成数据等），推动数据驱动的模型性能突破；
• 负责千亿级网页的大规模处理和万亿级token数据生产，通过分布式计算、模型量化及显存优化的方式提升数据处理和生产效率。

任职要求:

• 计算机科学、数据科学、自然语言处理等相关专业硕士及以上学历；
• 扎实的编程功底，熟练掌握TensorFlow/PyTorch/Megatron等深度学习框架，熟悉Java/C++等编程语言；
• 熟练掌握大数据处理工具，如Spark、Flink、Ray等；了解GPU加速相关技术，具有良好的算法设计能力，能够从工程角度思考模型优化方案；
• 熟悉大模型训练流程，熟悉Transformer模型结构，对GPT/LLAMA/MoE等模型架构有深入了解；
• 责任心强，积极主动，能独立思考，具有好奇心和快速学习能力，有良好的沟通能力和团队合作能力。​