Lenovo

岗位职责：

一、训练数据构建方向
1.    业务需求拆解与技术落地：对接业务BU与产品团队，精准解析业务与产品诉求，将业务需求转化为标准化、可落地、可量化的数据技术方案，支撑模型迭代与业务落地。
2.    训练数据全流程制备：配合模型训练团队完成大模型训练数据建设，涵盖通用文本、专业语料、图文、视频等多模态数据的筛选、加工与产出，保障 SFT、RL 等各阶段数据供给。
3.    数据处理 Pipeline 建设与迭代：设计、开发、优化大模型专属数据处理流水线，覆盖数据采集、清洗、过滤、去重、质量校验、质量打分、分层存储等全链路流程，持续提升数据生产效率与数据质量，满足模型多版本迭代需求。
4.    数据集版本管理与合规溯源：基于 Git、DVC 完成海量训练数据集的版本管理、迭代追踪与实验归档；完整沉淀数据来源、处理规则、变更记录，实现训练实验可复现、数据可溯源、可审计，满足业务合规要求。
二、模型评测方向
5.    大模型全维度评测：负责业界主流文本大模型（LLM）、多模态大模型（VLM）及内部微调迭代模型的全维度评测，支撑业务模型选型决策。
6.    业务专属评测体系搭建：对接各业务线需求，联合业务方制定模型验收标准；按需搭建业务专属评测数据集、设计量化评价指标，确保评测结果贴合真实业务落地场景。
7.    评测基准维护与扩充：统筹自有数据集、开源评测数据集的维护扩充，搭建并持续迭代标准化大模型评测基准体系。
8.    评测平台与流水线建设：参与统一自动化评测平台、评测流水线的设计与开发，承担流水线日常运维、功能迭代与调度性能优化工作。
9.    快速验证与效果回归：紧密协同模型训练团队，对每一轮迭代模型完成快速验证、效果回归评测，缩短模型调优评测周期。
三、数据—评测闭环
10.    模型迭代数据闭环优化：持续跟进模型线上推理效果与评测结果，挖掘模型 Bad Case、能力短板与低质量样本；反向驱动数据迭代，针对性补充高价值、高难度样本、优化劣质语料，形成“数据构建—模型评测—Bad Case 反馈—数据迭代”的完整闭环。

通用能力

工程能力扎实：精通 Python 数据/工程开发生态，熟悉 Linux 开发环境，熟练编写高效、稳健、可复用的脚本，具备大规模、多类型数据批量处理实战能力。 AI 高效研发能力：熟练使用 Cursor、Claude Code 等 AI 辅助编程工具，能够高效完成代码编写、调试、重构与问题排查，显著提升研发效率。 英文能力：具备良好的英文阅读与沟通能力，可独立阅读海外开源数据集/评测基准、技术文档与前沿论文，可支撑跨团队英文邮件及会议沟通；口语流利者优先加分。 自驱力与学习能力：具备较强自驱力，能够自主研读论文、跟进技术社区，同步行业前沿数据与评测方案、新技术。

数据方向要求

数据版本与工程协作能力：熟练掌握 Git、DVC 工具链，具备海量数据集版本管理、实验追踪、多分支协同开发经验，保障数据资产与实验流程规范化。 大模型数据体系认知：深入理解大模型各类训练数据生产规范，熟练掌握 SFT 指令微调数据、RLHF 偏好对比数据、多模态图文/视频配对数据的构建标准与质量体系。

评测方向要求

评测落地经验：具备 LLM / 多模态大模型实测评测落地经验，理解大模型基础原理，深耕或有意长期研究文本、多模态大模型评测技术方向。 评测工具与推理框架：熟悉主流大模型评测工具与推理框架，如 OpenCompass、VLMEvalKit、vLLM、SGLang 等，有实操使用经验优先。