美团
【LongCat大模型人才校招】基础模型 - 数据策略与数据科学
【LongCat大模型人才校招】基础模型 - 数据策略与数据科学
发布于 大约 2 个月前普通员工/个人贡献者
北京市
无经验要求
全职员工
仅现场办公
学历未注明
研究与开发 (研发)
大语言模型
数据清洗
数据策略
数据配比
机器学习
概率统计
深度学习
预训练
PyTorch
AI 估算 · 20k–35k
大模型校招岗位，美团北京，技术前沿，薪资具有竞争力，基于市场行情估算。
职位详情
关于这个职位
该职位聚焦大模型预训练数据策略，通过数据筛选、配比、合成与系统化迭代，提升模型 scaling efficiency 和智能上限
你将参与业界前沿的多模态实验，直接贡献于万亿参数基座模型
适合对数据驱动、大模型训练有热情的研究型人才
最低要求
熟悉 Python 和 PyTorch 等深度学习框架，具备扎实的机器学习、深度学习、概率统计和算法基础
熟悉大语言模型或多模态基础模型训练流程，理解预训练数据、训练动态、模型能力和评估体系之间的关系
有大规模预训练、Data Mixture、合成数据或模型评估经验者优先
对预训练数据有系统性理解，熟悉数据清洗、去重、污染检测、质量评估、覆盖度建模、长序列组织、合成 / 蒸馏数据和数据配比等关键问题
具备优秀的实验设计和分析能力，能够围绕数据与模型能力提出 hypothesis，设计可复现实验，并基于训练动态、评测结果和模型行为分析实验结论
具备较强的工程实现、自主探索和跨团队协作能力
有相关顶会论文、大模型 / 数据系统 / 训练系统 / 评估系统项目或开源经验者优先
工作职责
研究数据来源、质量、多样性、难度、覆盖度与模型能力之间的关系，建立“数据分布—训练动态—模型效果”的分析与归因框架
探索面向预训练的数据价值建模方法，包括自动化质量评估、样本筛选、语义去重、污染检测、覆盖度建模、长序列数据组织与高价值 token 挖掘
研究 Data Mixture、动态配比、课程学习和多阶段训练策略，分析不同类型数据在不同模型规模、训练阶段和能力维度上的边际收益，提升 token efficiency 与 scaling efficiency
探索合成数据、蒸馏数据、模型自生成数据和反馈数据在预训练中的有效使用方式，研究合成数据的有效性、多样性保持、退化机制和训练配比策略
构建可复现、可扩展的大规模数据处理与实验闭环，将数据构建、训练验证、能力评测、数据诊断和策略更新结合起来，形成面向基础模型持续迭代的数据飞轮
研究并缓解预训练数据中的污染、偏差、重复、低质、隐私、安全和合规风险，提升数据策略的可靠性、可控性和可持续性
AI 洞察
优缺点分析
优点
- 参与业界最前沿的大模型训练，积累万亿参数级经验
- 团队技术实力强，资源丰富（5-6万卡集群），成果产出明确
- 数据策略是大模型核心方向，技能含金量高，职业前景广阔
- 工作强度可能较大，需要跟进快速迭代的实验进度
- 技术难度高，需要同时掌握数据处理、模型训练和实验分析多方面知识
- 适合对数据驱动模型优化有浓厚兴趣，具备扎实的机器学习基础和大模型实践经验的应届生
缺点 / 挑战
- 作为校招岗位，对独立探索和问题定义能力要求较高
角色解读
- 从数据策略工程师向数据科学家或算法研究员发展，深入数据驱动模型优化
- 可进入大模型核心团队，参与模型架构和训练全链路的决策
- 随着大模型行业发展，成为稀缺的预训练数据专家，可向技术专家或架构师方向成长
- 研究数据分布与模型能力的关系，建立数据-训练-效果的归因框架
- 设计自动化的数据质量评估、筛选、去重和污染检测方法
- 探索数据配比、课程学习等策略，提升训练效率和模型性能
- 构建数据实验闭环，推动数据策略的持续迭代
- 扎实的Python和PyTorch编程能力，能够高效实现数据处理和模型训练脚本
- 深入理解大模型训练流程，熟悉预训练数据的关键问题和处理方法
- 优秀的实验设计能力，能够提出假设并通过实验验证
- 良好的工程实现和跨团队协作能力，有相关论文或开源项目经验更佳
申请策略
- 在简历和面试中展示对数据驱动模型提升的深刻理解和创新想法
- 关注美团基础研发平台的技术报告，了解团队在原生多模态方向的积累
- 突出大模型相关的项目或研究经历，尤其是预训练数据处理、数据配比、合成数据等方向
- 强调Python和PyTorch的实际应用能力，以及在实验设计和分析方面的成果
- 如有顶会论文、开源贡献或大模型相关比赛获奖，务必显著展示
- 补充数据去重、污染检测、课程学习等预训练数据方向的经典论文和开源工具
- 加强分布式训练和数据处理框架（如DeepSpeed、Megatron）的动手能力
- 提前了解美团的业务场景和大模型应用方向，思考数据策略如何与业务结合
面试指南
- 对于数据相关的问题，建议从问题定义、现有方法、优缺点分析入手，结合实际项目经验
- 对于实验设计问题，明确假设、变量控制、评估指标和结论迭代的闭环
- 对于经验类问题，清晰描述场景、挑战、解决方案和量化成果
- 请谈谈你对预训练数据质量评估方法的理解，有哪些指标和工具？
- 如何设计实验来验证数据配比策略对模型能力的影响？
- 你如何处理预训练数据中的重复和污染问题？
- 合成数据在预训练中的有效性和局限性是什么？
- 你有在大规模集群上处理数据或训练模型的经验吗？
职位点评
77
综合评分
大厂核心大模型团队，前沿技术栈和顶级资源，发展性极强，但WLB一般。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
更适合这类人
适合高度重视技术成长和发展机会，愿意投入高强度工作以换取前沿经验的应届生。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展95
工作生活50
使命价值85
薪资福利
70中等
薪资具有市场竞争力，美团作为上市公司提供稳定福利，但 JD 未明确列出具体福利和薪资，整体补偿性动机中等偏上。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
95较高
该职位处于大模型最前沿，参与万亿参数基座训练，技术成长空间极大，且团队有顶级算力资源和明确的学术产出路径。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、大语言模型、预训练、数据配比、合成数据、scaling efficiency
成长机会能力上限、持续迭代、前沿探索、全链路
业务类型ambiguous
工作生活
50较低
工作地点在北京，且 JD 未提及远程或弹性办公，大模型方向通常节奏较快，生活化动机满足一般。
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
推动大模型技术发展，尤其是原生多模态方向，具有较高的技术创新意义和社会影响力。
行业发展高速增长赛道
社会影响中性/一般
使命信号提升智能上限、非共识的长期投入
创新程度开拓性创新（行业首创）
美团 的其他在招职位
相似职位推荐
Watch Jobs