蚂蚁集团
蚂蚁集团-大模型语料建设专家-杭州
蚂蚁集团-大模型语料建设专家-杭州
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Hivesql
Llm-As-Judge
Scaling Law
多模态数据
大模型语料
数据合规
数据清洗
值不值得投
77综合评分
综合评分 77
顶尖大厂核心AI数据岗，技术前沿且发展极好，但工作强度可能较高。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
6.0万
比数据工程中位数高
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 760 个在招 · 其中数据工程 9 个
市场机会
选择面较广
杭州 · 数据工程 · 约 110 个在招
职位详情
关于这个职位
负责大模型训练语料体系的整体规划与建设，定义从获取、清洗到配比供给的全链路技术架构
主导千亿级Token处理Pipeline设计，建立自动化质量评估体系，并通过数据飞轮驱动模型效果提升
需具备深厚的数据工程背景及LLM数据治理经验
最低要求
年以上数据工程、数据仓库或大规模数据处理经验，其中至少2年深耕大模型训练数据/语料建设，有TB级以上语料处理或从0到1语料体系落地的成功案例
深刻理解LLM训练数据飞轮与Scaling Law对数据规模、质量、配比的约束，有数据配比实验设计经验，并能给出对模型效果的可量化贡献
精通大规模语料处理Pipeline架构设计（去重、去污染、质量分层），熟悉主流数据质量评估方法与工具链，有自建评估基准集的经验
具备训练数据合规治理实战经验（版权、隐私、毒性及敏感信息过滤），熟悉集团内外部数据合规红线
扎实的工程能力（精通Python/Go/Java其一，熟练使用Spark、HiveSQL等大数据工具），能穿透到代码与数据细节定位复杂问题
具备跨团队协同与技术影响力，能驱动算法、产品、工程团队就语料标准与验收达成一致，有团队培养或技术规划经验
工作职责
语料战略与路线图：结合模型迭代节奏与Scaling Law对数据规模、质量、配比的需求，制定语料建设路线图（规模、语种、模态、领域覆盖），定义各阶段语料供给的量化目标并推动达成
语料获取与资产化：主导全网URL库、DataMap等语料资产底座建设，建立高质量数据源的发现、评估与引入机制（公开数据、授权数据、业务私有数据），构建语料价值评估模型，实现语料资产可度量、可运营、可复用
大规模清洗与质检体系：设计并持续演进千亿级token语料处理Pipeline（去重、去污染、质量分层、敏感信息过滤、版权合规校验），建立自动化质量评估体系（LLM-as-Judge、人工抽检、基准集回归），定义质量门禁与数据血缘标准
数据配比与效果闭环：与算法团队共建训练数据配比（data mixing）策略，设计并执行配比实验，建立'模型评测诊断→数据问题归因→Pipeline迭代→效果回归验证'的数据飞轮，以可量化指标（评测分数提升、单位token成本下降）驱动语料持续优化
领域与多模态语料：主导金融、风险、医疗等核心领域语料及图文、音视频等多模态语料的建设方案（非结构化数据解析、对齐、稀缺样本增强），沉淀可复用的领域语料资产与构造方法论
前沿探索与提效：跟踪数据合成、智能标注、AI辅助数据生产等前沿方向，完成技术评估与引入落地，持续提升语料生产效率与质量
组织影响力：定义团队语料建设的技术规范与最佳实践，培养中初级数据工程师，跨团队拉通算法、产品、工程对语料的需求与验收标准
视需要输出对外影响力（技术分享、开源、论文）
优先资格
有头部互联网公司大模型数据集建设经验，或主导过支撑千亿/万亿参数模型训练的语料供给项目
有多模态语料（PDF解析、OCR后处理、音视频转写与对齐）或合成数据生成与质控的实战经验
有GPU算力/数据成本治理经验、语料价值评估方法论研究背景，或语料生成/标注平台、LLM数据供应链平台的建设经验
在智能标注、AI辅助数据生产工具有落地成果，持续关注行业前沿并能快速完成引入与验证
AI 洞察
优缺点分析
优点
- 依托巨头平台，拥有海量数据和算力资源支持
- 对经验年限要求极高（8+年），需同时具备深厚工程能力和算法理解力
- 拥有丰富大数据工程经验且对LLM数据领域有深刻理解的资深技术专家
缺点 / 挑战
- 处于AI大模型最前沿赛道，技术挑战高且极具行业影响力
- 数据合规与质量把控压力巨大
角色解读
- 可向首席数据科学家、AI基础设施负责人或大模型算法专家方向发展，成为AI数据领域的顶级专家
- 构建和维护大模型训练所需的高质量语料体系，包括数据获取、清洗、评估和配比
- 精通大规模数据处理架构（Spark/Hive），深入理解LLM训练数据需求（Scaling Law、Data Mixing），具备数据合规与质量控制能力
申请策略
- 准备详细的项目案例，重点阐述如何解决数据噪声、合规性及效率瓶颈问题
- 突出TB级以上数据处理经验，展示从0到1搭建语料体系的案例，强调数据质量对模型效果的量化贡献
- 深化对LLM训练原理（如Scaling Law、Data Mixing）的理解，掌握多模态数据处理技术
面试指南
- 使用STAR法则，重点展示技术选型的依据、遇到的极端挑战及最终量化的业务/模型收益
- 请描述你构建过的最大规模语料处理Pipeline及其性能优化手段
- 如何平衡数据规模、质量和成本之间的关系？
- 针对LLM训练中的长尾分布问题，你有什么数据配比策略？
- 复习大模型数据相关的前沿论文和技术博客，准备关于数据合规和隐私保护的具体解决方案
职位点评
薪资福利85
成长发展95
工作生活40
使命价值80
薪资福利
85较高
作为巨头企业的高级专家岗，薪资水平必然处于行业顶端，且通常伴随丰厚的股票期权和福利。
薪资信号未披露（AI估算：4.0千–8.0万/月）
成长发展
95较高
岗位直接关联大模型核心能力建设，技术栈前沿，成长空间巨大，是典型的职业发展高地。
技术前沿前沿/新兴技术
技术栈LLM、Scaling Law、Data Mixing、LLM-as-Judge、多模态、Spark、HiveSQL
业务类型profit_center
工作生活
40较低
互联网大厂核心研发岗通常工作强度较大，虽可能有弹性工作制，但高压和高标准要求可能影响WLB。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
致力于推动AGI业务发展，通过高质量数据赋能金融、医疗等领域，具有显著的社会价值和行业前瞻性。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
蚂蚁集团 的其他在招职位
相似职位推荐
大数据算法工程师
万兴科技 · 长沙市
AI 估算 · 8.0千–1.5万1 小时前发布
大数据开发工程师
万兴科技 · 长沙市
AI 估算 · 8.0千–1.5万7 小时前发布
腾讯云DataBuddy-数据工程平台研发专家
腾讯 · 成都市
AI 估算 · 4.0–7.0万22 小时前发布
骑行-数据开发工程师
美团 · 北京市
AI 估算 · 2.5–4.0万22 小时前发布
Data Engineering Intern
汇丰 · 广州市
AI 估算 · 4.3–6.5千23 小时前发布
Data Engineering Intern
汇丰 · 广州市
AI 估算 · 6.0–8.0千23 小时前发布
Data Engineer
埃森哲 · 大连市
AI 估算 · 1.2–2.0万1 天前发布
Data Engineer
埃森哲 · 大连市
AI 估算 · 1.0–1.6万1 天前发布
Watch Jobs