数据技术及产品部-大模型RL Data工程师-- Life Science / Chemistry（AI for Science）

优缺点分析

角色解读

• 从单一领域的数据专家向AI for Science全链路数据架构师发展，主导跨学科大模型评测标准制定
• 深入参与大模型核心算法迭代，未来可向AI科学家或大模型产品技术负责人方向转型
• 主导AI for Science在生命科学与化学方向的数据体系建设，定义大模型在科学场景下的能力边界
• 设计贴近真实科研流程的评测任务与数据集，打通湿实验与计算的数据闭环
• 构建端到端的Agentic科学评测体系，推进自动化评测与质量管控机制
• 具备化学、生物或计算生物等相关学科的博士学历及扎实的科研实践经验
• 熟练掌握Python及科学计算工具链（如RDKit、Biopython），具备大规模数据处理能力
• 深入理解大模型后训练范式（SFT/RLHF/RLVR）及Agent核心机制，能将其应用于科学评测

申请策略

• 在简历或面试中准备1-2个将模糊科学问题转化为可验证评测标准的具体案例，展现抽象能力
• 提前了解阿里在AI for Science领域的最新论文或开源项目，展现对业务方向的深入思考
• 突出在化学、生物或计算生物领域的博士研究经历，特别是将复杂科学问题转化为结构化数据的经验
• 展示Python科学编程能力及处理大规模生物/化学数据的实际项目成果
• 强调对大模型后训练（RLHF/RLVR）或Agent机制的理解，以及相关的评测或数据集构建经验
• 深入学习大模型强化学习（RLVR）与Agent评测框架，了解当前科学智能体的前沿进展
• 熟悉RDKit、Biopython等科学计算工具链，提升大规模科学数据管线的工程化能力

面试指南

• STAR法则：情境（科学问题）-任务（评测目标）-行动（设计Rubric、数据闭环、自动化脚本）-结果（模型能力提升指标）
• 结构化拆解：从能力维度定义、任务难度分级、数据生产、自动化Verifiable Eval、质量管控五个层面系统回答
• 如何设计一个针对分子性质预测或逆合成路线设计的自动化评测方案？
• 在构建科学类Agent评测时，如何解决知识幻觉和长程任务失败模式的问题？
• 请分享一个你将复杂的科研实验流程转化为结构化数据集或Benchmark的经历
• 如何评估大模型在生物安全或双重用途风险方面的边界？
• 复习大模型后训练范式（SFT/RLHF/RLVR）的核心原理，特别是可验证奖励（RLVR）在科学推理中的应用
• 准备具体的科研案例，重点展示你如何定义‘金标准’、处理‘失败数据’以及进行根因分析