阿里巴巴
数据技术及产品部-AI数据工程师-LLM/VL方向
数据技术及产品部-AI数据工程师-LLM/VL方向
发布于 大约 7 小时前普通员工/个人贡献者
北京市 / 杭州市
中级经验
全职员工
仅现场办公
学历未注明
数据工程
Llm
Pytorch
Sql
Tensorflow
Vlm
多模态
AI 估算 · 30k–50k
阿里AI核心岗位，北京/杭州高薪，大模型方向需求旺盛，薪资竞争力强。
职位详情
关于这个职位
该职位负责构建支撑大模型训练的全模态数据体系，包括数据采集、清洗、处理与资产化管理，并设计多模态智能处理模型，使用LLM/VLM/Agent构建自动化数据Pipeline
你将与模型团队紧密协作，通过数据驱动模型能力提升，处于AI技术最前沿
最低要求
职位要求
AI + 数据双栈能力：精通 Python，熟悉 SQL/Shell
理解 LLM、音频/视频模型、多模态模型等基础原理
具有大模型数据构造、清洗、合成或质量评估相关实践经验
多模态数据能力：熟悉文本，或图像/视频/音频中任一模态的特征工程、理解/分类/识别算法或质量建模方法
具备深度学习模型训练实践(PyTorch/TensorFlow)
数据工程基础扎实：熟悉主流大数据平台(Spark/Flink/MaxCompute/Hadoop/RAY)
具备 ETL、数据建模、数据 Pipeline 或数据仓库建设经验
了解大规模文本/图像/视频数据处理者更佳
AI Native 工作流思维：熟悉 Agent、LLM 工具链，对如何将 LLM 融入数据生产、数据分析、数据治理流程有实践经验或强烈兴趣
工程落地能力强：具备良好的工程实现、问题拆解、项目协同能力，能推动数据与模型闭环高效落地
工作职责
职位描述
参与集团级 AI 数据引擎：负责文本、图像、视频、音频等全模态数据的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型预训练与后训练的高质量数据供给
多模态数据智能化处理：主导文本、图文、视频、文档、语音等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理
设计并训练分类、识别、caption、质量打分、预测等模型
AI Native 数据 Pipeline 建设：使用 LLM + VLM + Agent 框架构建智能数据 Pipeline，实现分渠道采集、过滤、去重、质量诊断、标注/改写生成、调度编排与异常告警等环节的自动化，显著降低人力成本
稀缺与高价值数据挖掘：面向网页/PDF/百科/私域/query 等文本场景，以及 real world(巡店/巡检/巡仓)、医疗、教育、OCR、GUI/多模态轨迹等视觉场景，通过"真实采集 + 人工标注 + 模型蒸馏 + 数据合成"四源策略，产出稀缺、高价值、差异化的数据集
数据 & 模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集与合成方案，在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现"数据—模型—评测—数据"的循环优化
算法与工程一体化协作：与模型团队协作，参与训练数据构造、数据反哺、短板挖掘与评测闭环建设，通过数据驱动模型能力提升，成为 AI 模型训练的数据核心驱动力
优先资格
加分项
在 ACL、EMNLP、NeurIPS、ICLR、AAAI、CVPR、ICCV、ECCV、ACM MM、ICASSP、Interspeech 等顶会有论文，或参与过 LLM、VL、语音、多模态等方向竞赛、开源贡献者优先
有 LLM/VLM/多模态大模型预训练或后训练数据的实战经验
有数据合成(文本合成、图文对合成、渲染/扩散生成)或多模态轨迹数据(GUI/搜索/文件操作)构造经验者优先
熟悉主流评测基准(如 MMLU、MMBench、MM-BrowseComp 等)，对数据反哺模型能力提升有实战经验者优先
有小模型/算子训练与加速优化实践经验者优先
AI 洞察
优缺点分析
优点
- 处于大模型时代最核心的数据环节，技术前沿性高
- 阿里巴巴平台规模大，能接触EB级数据和全模态场景
- 与顶尖模型团队协作，个人成长空间大
- 薪酬待遇在行业内具有竞争力
- 数据治理与模型训练结合难度大，需要跨领域知识
- 适合热爱AI技术、具备扎实数据工程和算法基础，希望在大型平台从事前沿数据工作的工程师
缺点 / 挑战
- 工作强度可能较高，需应对快速迭代的技术要求
- 对工程能力和算法能力要求双高，持续学习压力大
角色解读
- 可深耕数据工程与算法结合方向，成为大模型数据专家
- 有机会向模型训练、评测闭环等核心算法领域拓展
- 有潜力晋升为技术Leader，带领团队建设数据基础设施
- 负责全模态数据的采集、清洗、处理与治理，构建EB级数据资产
- 设计并训练多模态理解、分类、质量打分等模型，用于自动化数据治理
- 使用LLM、VLM和Agent框架开发自动化数据Pipeline，覆盖采集到标注全流程
- 与模型团队协作，基于评测反馈迭代数据方案，实现数据模型闭环优化
- 精通Python和SQL/Shell，熟悉大数据框架如Spark、Flink、MaxCompute等
- 理解深度学习原理，掌握PyTorch或TensorFlow，具备模型训练实践经验
- 了解LLM、多模态模型原理，有数据构造、清洗、合成或质量评估经验
- 具备Agent和LLM工具链应用经验，能够将AI融入数据生产流程
申请策略
- 准备一个能体现端到端数据Pipeline能力的项目案例
- 了解阿里巴巴AI数据团队的业务方向，在面试中展现对数据驱动模型的理解
- 突出大型数据处理项目经验，特别是涉及多模态数据或大模型数据供给的案例
- 强调模型训练和调优实践，附上具体的量化成果
- 展示使用Spark/Flink等大数据框架解决实际问题的能力
- 如有LLM/Agent相关项目或开源贡献，务必重点提及
- 补充学习LLM和VLM的最新应用，尝试用LangChain或类似框架搭建数据处理Agent
- 熟悉数据合成技术，包括文本生成、图文对合成等方法
面试指南
- 采用STAR法则：情境-任务-行动-结果，清晰描述项目背景、个人职责、具体做法和成效
- 注重逻辑拆解：先定义问题，再分析原因，最后给出可量化的解决方案和验证结果
- 展现技术敏锐度：将问题与技术趋势结合，展示你对新技术的理解和应用能力
- 请介绍一个你参与的大数据处理项目，以及遇到的挑战和解决方案
- 如何评估一个数据集的质量？有哪些指标和方法？
- 如何使用LLM或Agent来自动化清洗和处理非结构化数据？
- 你如何设计一个数据合成方案来解决训练数据不足的问题？
- 在构建数据Pipeline时，如何确保数据的一致性和可观测性？
职位点评
75
综合评分
大厂核心AI数据岗，前沿技术栈，发展空间大，但可能需要承受加班压力。
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
最适合看重技术成长和行业前景的求职者，对工作生活平衡要求不太高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活50
使命价值85
薪资福利
75中等
阿里巴巴提供有竞争力的薪酬和福利，但未在JD中明确，整体满足程度较高。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
职位涉及LLM/VLM等前沿技术，有大量学习和成长机会，发展性动机得到充分满足。
技术前沿前沿/新兴技术
技术栈Python、Spark、Flink、PyTorch、TensorFlow、LLM、VLM、Agent、多模态、数据合成
业务类型ambiguous
工作生活
50较低
未提及远程或弹性工作，大厂节奏可能较快，生活化动机满足有限。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
大模型是高速增长赛道，该岗位对AI发展有重要价值，意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs