0
被预约次数
0
被收藏次数
0
被评价次数
具备 1 年大模型训练数据生产与评测经验，熟悉从任务规则理解、数据构造、模型出题、回答评审、数据质检到返修复盘的完整工作流程。能够快速拆解项目需求和标注规范，将复杂任务转化为明确、可执行、可验证的生产标准，并根据模型能力和训练目标设计具有区分度的高质量数据。
熟悉 数据蒸馏与训练样本构造，能够从种子数据、优质回答或任务模板中提取核心知识点、任务结构及约束条件，并通过场景变化、表达重构、难度调整等方式完成样本扩增。注重控制重复数据、机械改写、语义歧义、答案泄漏及低信息量问题，能够对生成数据进行清洗、筛选和质量判断，提高训练数据的有效性和多样性。
具备较强的 Prompt 设计与模型出题能力，能够根据模型训练或评测目标设计单轮、多轮以及复杂指令类任务。熟悉角色设定、上下文构造、显式/隐式约束、条件组合、指令覆盖及输出限制等设计方式，能够在保证题目自然性的同时控制任务难度，使样本具备较好的模型能力区分度。
熟悉 模型回答评测与错误分析，能够从指令遵循、内容完整性、上下文一致性、逻辑合理性、格式要求及任务完成度等维度对模型输出进行判断。能够定位漏指令、错误执行、前后冲突、条件遗漏、答非所问、格式违规等问题，并将问题拆解为明确的评分点或质检项，为模型训练数据筛选和后续优化提供依据。
具备 数据质检与标注一致性控制能力，能够根据项目规则进行数据审核、交叉检查和返修，对高频错误和边界案例进行归类总结，并根据审核反馈调整后续生产方式。对于规则更新、判定口径变化及复杂边界案例，能够快速理解并应用到实际标注过程中，降低重复返工和标注偏差。
同时具备软件工程技术背景，熟悉 Java、Spring Boot、MySQL、Redis、Git、REST API 等开发技术，对数据库、接口、微服务及常见研发流程具有实际项目经验，因此能够较快理解技术问答、代码逻辑、软件研发及工程类大模型数据，具备处理技术型训练数据的优势。
1.大模型数据蒸馏与训练样本生产
参与大模型训练数据构造工作，根据项目目标及数据规范，对已有优质数据、种子样本及模型输出进行分析和蒸馏，提取其中的核心知识点、问题结构、约束关系以及优质回答特征，并据此完成新样本设计与扩充。
在数据生产过程中，不仅进行简单文本改写，而是通过调整业务场景、上下文条件、角色关系、任务难度和约束组合，使不同样本在保持训练目标一致的前提下具备真实差异。对生成后的数据进行语义重复检查、有效性判断以及低质量样本筛除，避免大量模板化、同义改写和无实际训练价值的数据进入最终数据集。
通过该类工作形成了较强的样本质量判断能力，能够从“是否能够真正训练模型能力”的角度评估数据，而不仅停留在文本是否通顺或格式是否正确层面。
2.大模型出题与 Prompt 数据构造
负责按照不同训练目标进行模型题目及 Prompt 设计，根据任务规范设置合理的用户场景、上下文信息、任务目标和限制条件，构造用于模型训练及能力评测的数据。
能够根据模型实际能力控制题目复杂度，通过多条件约束、上下文关联、多轮信息继承、指令覆盖及边界条件等方式提高任务区分度，并确保题目本身不存在明显歧义、无法验证或规则冲突等问题。
在出题完成后，会结合预期模型行为对题目进行反向检查，包括指令是否完整、要求是否可以客观判定、模型是否存在明显绕过空间以及题目是否过度模板化等，从源头控制训练及评测数据质量。
3.模型回答评审与数据标注
参与模型生成结果的评测与标注，根据任务要求对模型回答进行逐项分析，判断模型是否完整理解并执行用户指令。
评审过程中重点关注模型是否存在指令遗漏、条件执行错误、上下文信息遗忘、前后要求冲突、输出结构错误以及无关内容扩展等情况，并根据任务规则完成结果标记、问题分类和修改建议。
对于复杂任务，能够将整体要求拆解成多个独立检查项，对模型完成情况逐项判断，降低主观评价对标注结果的影响，提高评测结果的一致性和可复现性。
4.数据质检与问题复盘
负责部分训练数据和标注结果的质量检查，对提交数据中的常见问题进行分类，包括题目设计不合理、指令边界不清晰、模型错误点不足、答案无法客观判断、数据重复度过高以及格式不符合规范等。
结合审核意见进行数据返修，并对重复出现的问题进行总结，在后续数据生产阶段提前进行自检。面对任务规则调整或新增要求时，能够快速更新判断标准并应用到出题、标注和质检流程中。
通过持续的审核与复盘，形成了较强的规则理解、问题发现和边界判断能力，能够在保证生产效率的同时关注训练数据的一致性、有效性和可用性。
可兼职时间
可兼职地点
0条评论 雇主评价