小红书
Dots-Midtrain数据算法研究员
Dots-Midtrain数据算法研究员
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
代码生成
合成数据
大模型训练
数学推理
数据管道
数据验证
算法优化
值不值得投
73综合评分
综合评分 73
前沿AI算法岗，技术挑战大成长空间足，聚焦合成数据，WLB未知。
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。
薪资怎么样
3.5万
比算法优化工程师中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1440 个在招 · 其中算法优化工程师 13 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 240 个在招
职位详情
关于这个职位
该职位负责为大模型在代码（Code）和数学（Math）方向构建和优化合成数据
你需要设计并实现数据生成、验证、去重的全流程管道，从模型输出中挖掘高价值样本反哺训练，并通过自动化验证和动态调整数据策略，持续提升模型在特定领域的性能
最低要求
计算机、数学、人工智能等相关专业硕士及以上学历，或有等同的行业实战经验
熟悉大模型训练全流程，对Pretrain/Midtrain/Post-train各阶段的数据策略差异有清晰认知
扎实的编程能力（Python为主），能够独立完成数据处理pipeline的工程实现
对Code或Math任一方向有深入的技术理解（如熟悉常见编程语言的AST/编译器工具链，或具备较强的数学推理/证明背景）
工作职责
负责Code / Math方向合成数据管道的设计与搭建，覆盖数据生成、正确性验证、难度分级、去重去污染等全流程环节
设计并实现模型输出的回流机制：从模型推理结果中挖掘高价值样本（如正确但稀有的解题路径、模型自我纠错过程），反哺训练数据池，形成数据-模型能力的正向循环
构建自动化验证体系：针对Code方向搭建可执行验证（单测/编译器验证），针对Math方向搭建符号计算/规则验证或强模型裁判机制，确保合成数据的正确性和质量
持续优化数据配比与难度曲线：结合模型训练过程中的实际表现，动态调整合成数据的难度分布、领域配比，探索最优的Midtrain数据策略
跟踪并复现业界前沿方法（如self-play、rejection sampling、程序化数据生成等），持续迭代数据合成pipeline的技术路线
与其他团队紧密协作，确保Code/Math能力在数据源头、训练阶段、评测反馈之间形成闭环
AI 洞察
优缺点分析
优点
- 处于AI模型训练的核心环节（数据），直接影响模型能力，技术价值高
- 工作涉及前沿的数据合成与算法优化技术，学习成长空间大
- 需要跨团队协作，能深入了解模型开发的全流程与业务闭环
- 对Code或Math方向的技术深度要求极高，需要持续跟进快速发展的前沿方法
- 需要兼顾工程实现与算法研究，对综合能力要求高
- 适合对大模型训练有深刻理解，尤其擅长或热衷于代码生成、数学推理方向的算法工程师
- 希望从事技术链上游、通过数据驱动模型创新的求职者
- 具备较强工程能力，并享受将算法研究落地为完整系统的成就感
缺点 / 挑战
- 合成数据的质量与效果直接影响模型性能，压力与责任并重
角色解读
- 深耕合成数据与数据工程领域，成为模型能力提升的关键技术专家
- 可向AI Infra（AI基础设施）、数据科学或更广泛的算法架构师方向发展
- 积累跨团队协作经验后，有机会承担更复杂的项目或技术领导职责
- 设计并实现用于提升大模型代码和数学能力的合成数据生成系统
- 管理从数据生成、验证、筛选到反馈回训练的全流程
- 持续研究并引入最新的数据合成技术，以优化模型性能
- 与算法和评测团队紧密合作，形成数据驱动的模型迭代闭环
- 精通Python编程，具备扎实的数据处理与工程实现能力
- 深入理解大模型训练的各个阶段（Pretrain/Midtrain/Post-train）及其数据策略
- 对代码（如AST、编译器）或数学（如符号计算、形式化证明）有专深理解
- 掌握前沿的合成数据方法，如Self-play、Rejection Sampling等
申请策略
- 面试前，仔细研究小红书在AI领域的技术动态与产品应用（如智能搜索、推荐、内容理解等），思考数据算法如何赋能具体业务
- 准备一个能清晰展示你如何解决复杂数据问题、并闭环影响模型效果的项目案例
- 突出在大模型训练（特别是数据层面）的实际项目经验
- 详述你设计和实现的、与数据生成、处理、验证相关的技术方案或Pipeline
- 展示在代码（如编译器、AST分析）或数学（如形式化证明、符号计算）领域的扎实技术背景与项目成果
- 深入研究当前主流的合成数据技术（如Self-play, Rejection Sampling, Programmatic Data Generation），了解其原理与实现
- 加强在数据工程与大规模数据处理Pipeline构建方面的实践能力
- 如果主攻Code方向，可研究相关编程语言的编译原理与工具链
面试指南
- 回答问题应遵循“理解-方法-落地-复盘”的框架
- 首先展示你对问题本质和背景的理解（如大模型训练原理、业务目标）
- 接着阐述你提出的技术方案或解决思路（算法、系统设计）
- 然后说明你如何将其工程化实现，并保证质量与效率
- 最后可以复盘项目的成果、反思与改进点
- 对于设计类问题，要突出你的系统性思维和对细节的考量
- 请描述你对大模型训练流程中Midtrain阶段的理解，以及你认为数据策略应如何设计？
- 如果要为Code方向设计一个自动化的合成数据验证体系，你会考虑哪些关键技术点？如何保证高正确率与高效率？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值80
薪资福利
70中等
该职位为高级算法岗位，薪资应具有市场竞争力。但JD未明确提及具体薪酬福利，补偿性动机的满足程度取决于最终谈判结果。
薪资信号市场水准 (2.5千–4.5万/月)
成长发展
90较高
该职位处于大模型训练的前沿领域，涉及合成数据、模型反馈等核心技术，技术深度与成长性极高。工作内容要求持续跟踪和复现前沿方法，具有强烈的学习与发展导向。
技术前沿前沿/新兴技术
技术栈合成数据、大模型训练、Python、数据管道、代码验证、数学推理
成长机会跟踪并复现业界前沿方法、持续迭代、探索最优的数据策略
业务类型profit_center
工作生活
50较低
JD未明确说明工作模式（远程/混合/现场）及WLB情况。作为核心算法研发岗位，可能面临较高的项目压力与学习强度。工作地点在一线城市，生活成本较高。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
该职位在新兴的AI大模型领域，致力于通过数据创新提升模型能力，具有明确的领域创新性和技术使命感。工作成果能直接影响AI产品的核心能力。
行业发展高速增长赛道
社会影响中性/一般
使命信号探索最优的Midtrain数据策略、形成数据-模型能力的正向循环
创新程度积极采用新技术
Watch Jobs