腾讯
混元语音大模型agentic评测（北京/上海）
混元语音大模型agentic评测（北京/上海）
发布于 大约 6 小时前普通员工/个人贡献者
北京市 / 上海市
初级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
Agentbench
Agent评测
Gaia
Mcp
任务规划
工具调用
语音大模型
Osworld
Webarena
AI 估算 · 25k–40k
腾讯大厂，Agent评测属于AI前沿方向，薪资竞争力强，2年经验对应中级水平，结合市场行情预估。
职位详情
关于这个职位
该职位负责混元语音大模型Agent的评测体系设计与落地，从0到1搭建面向复杂智能体场景的评测任务，涵盖多步推理、工具编排等核心维度
需要联动模型训练团队，推动模型能力迭代，并持续跟进学术界前沿技术
适合有Agent评测经验、精通Python和主流基准的候选人
最低要求
本科及以上学历，拥有 2 年及以上互联网 / 人工智能领域相关评测工作经验
具备从 0 到 1 独立设计 Agent Benchmark 完整实战经验，深刻理解评测数据集在区分度、数据抗污染、生态效度等维度的设计取舍与平衡
熟悉 WebArena、OSWorld、GAIA、AgentBench 等主流 Agent 评测基准，掌握各类评测集底层设计思路、适用场景与固有局限性
熟练使用 Python，具备扎实的数据处理、统计分析与数据可视化能力
熟悉主流大模型推理服务调用方式，了解相关工程落地约束
精通 Agent 主流框架核心机制，掌握 ReAct、工具调用（Tool Use）、任务规划（Planning）等经典范式，具备 MCP 等工具协议相关认知或项目实践经验
强结果导向，拥有良好的技术文档撰写能力，突出的跨团队沟通协调、项目推进落地能力
工作职责
主导 Agent 方向评测体系整体设计与落地实施，完成模型能力定义，搭建面向复杂智能体场景的评测任务体系
围绕多步推理、环境交互、工具编排、长程规划、异常错误恢复等核心维度，搭建贴合真实 Agentic 工作流的端到端评测方案
搭建评测数据全链路质量管控体系，落地试题查重、数据污染检测、难度分级标定校准、标注规范制定、标注一致性审核等机制，保障评测结果可信、稳定、可复现
联动模型训练团队深度对齐，提炼评测结论与优化洞察，输出模型能力迭代改进方向
协同工程团队推进评测基础设施建设，搭建可支撑高频次、大规模自动化评测的流水线
持续跟进 Agent 领域学术界、工业界前沿技术动态，输出评测体系迭代演进策略，持续优化评测方案，精准衡量大模型智能体真实能力边界
探索融合多模态能力的 Agentic 评测新思路、新方案，并完成方案验证与落地实施
AI 洞察
优缺点分析
优点
- 腾讯大厂平台，资源丰富，项目影响力大，接触前沿大模型技术
- Agent是AI热点方向，评测岗位核心且稀缺，技能积累价值高
- 团队协同模型训练，能深度参与模型迭代，成长速度快
- 评测体系从0到1搭建，需要较强的创新能力和系统性思维
- 跨团队协作频繁，需要高效的沟通和推进能力
- 大模型领域更新快，需持续学习保持技术敏感度
缺点 / 挑战
- 适合有AI评测经验、热爱技术挑战、乐于推动模型进步的工程师
角色解读
- 在Agent评测领域深耕，成为AI评测专家，主导大模型能力评估
- 可转向模型训练或Agent产品研发方向，积累全栈AI经验
- 随着大模型行业爆发，评测岗位稀缺性高，可晋升为技术主管或架构师
- 设计并实施Agent评测体系，包括任务定义、数据集搭建和质量管控，确保评测可信稳定
- 与模型训练团队紧密合作，分析评测结果，提出模型优化方向
- 跟进Agent前沿技术，探索多模态评测新方案，推动评测基础设施建设
- 扎实的Python编程能力，以及数据处理、统计分析和可视化技能
- 熟悉主流Agent评测基准（如WebArena、GAIA）和Agent框架（如ReAct、Tool Use）
- 具备从0到1设计Agent Benchmark的实战经验，理解评测数据集的设计取舍
- 良好的跨团队沟通和项目推进能力，强结果导向
申请策略
- 了解腾讯混元大模型的产品方向，在面试中展示对Agent评测的深度思考
- 关注Agent领域最新论文和基准，准备对比分析观点
- 突出独立设计Agent Benchmark的完整项目经验，说明数据集设计思路和成效
- 详细列出熟悉的评测基准（如WebArena、GAIA）和实际应用案例
- 展示Python数据处理和自动化评测流水线搭建能力，用数据量化成果
- 强调跨团队合作推动模型优化的经历，体现沟通和落地能力
- 补充MCP协议相关知识，了解Agent框架的最新进展
- 学习多模态评测方法，阅读相关论文和开源项目
面试指南
- STAR法则：情境、任务、行动、结果，结合具体项目数据
- 问题分析框架：先定义问题，再拆解可能原因，最后给出解决方案和验证
- 对比分析：准备两个不同基准的优缺点对比，展示深度理解
- 请详细说明你从0到1设计一个Agent Benchmark的过程和关键决策
- 如何评估一个评测数据集的质量？你遇到过数据污染问题吗？如何解决？
- 谈谈你对ReAct、Tool Use等Agent范式的理解，以及它们在评测中的体现
- 如果模型评测结果与预期不符，你会如何分析和定位问题？
- 请描述一次成功推动模型优化的经历
职位点评
70
综合评分
前沿AI大厂Agent评测岗，技术成长极高，薪资可观，但WLB和办公灵活性一般。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最适合追求技术成长和职业发展的求职者，能接受一定的加班和现场办公。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展90
工作生活50
使命价值70
薪资福利
65中等
薪资未明确但腾讯大厂通常提供有竞争力的薪酬和福利，但JD未披露具体数字，满足程度中等。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
90较高
职位专注于前沿的Agent评测技术，直接参与大模型能力迭代，成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、Agent评测、WebArena、OSWorld、GAIA、AgentBench、ReAct、工具调用、任务规划、MCP、语音大模型
业务类型profit_center
工作生活
50较低
工作地点在北京/上海核心地段，但JD未提及远程或弹性工作，大厂可能存在加班，WLB一般。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
AI大模型是高速增长赛道，评测工作对技术发展有推动意义，但社会直接影响力有限。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
腾讯 的其他在招职位
相似职位推荐
Watch Jobs