岗位职责
1.数据特征算法：负责大规模代码数据的挖掘工作（如标签体系构建、结构化拼接、数据比例配置等），开展数据质量检测（包括低质内容识别、优质代码筛选等）以及数据合成相关算法研发；
2.数据pipeline建设：主导数据筛选、清洗、标注及质量评估流程的设计与实现。协同模型业务团队，深度挖掘数据价值，搭建自动化数据处理系统，支撑模型的持续优化与迭代；
3.数据实验分析：针对代码大模型训练所用数据进行系统性分析，建立规范化的实验评估机制，发现样本缺失、数据偏差、分布失衡等问题，推动数据质量、覆盖范围与多样性的全面提升，助力模型生成能力不断优化。

岗位要求
1.硕士及以上学历，计算机科学、自然语言处理等相关专业背景优先考虑；
2.熟悉主流深度学习框架（如PyTorch、TensorFlow），具备模型训练与数据处理实践经验，拥有出色的独立开发、问题分析与研究能力；
3.具备良好的沟通协作意识，自我驱动性强，能独立完成系统层面的分析与调优，推动大模型技术的实际落地应用；
4.可进行日常实习，每周至少全职投入4天，连续实习6个月以上者优先；27届毕业生优先考虑。

加分项
1.掌握HiveSQL、Spark、Ray中至少两项数据处理与分析工具；
2.对代码大模型有较深认知，具备敏锐的数据感知力和扎实的数据洞察分析能力；
3.有大模型训练或数据工程相关项目经验者优先。