岗位职责： 负责参与实验室语言大模型InternLM的数据准备、模型训练、模型评测等工作，重点构建新一代质量高，安全性好，内容全面的十万亿Token数据集，工作内容包括： 1.面向大规模，多来源，多领域的数据数据处理，复现相关大模型数据相关论文，并在此基础上设计更先进的数据质量标准与更高效的数据处理方法，对训练数据进行分析和分类并评估数据质量，解决数据多样性，内容质量，反毒性，反偏见等问题。 2.深入了解并调研与预训练数据集相关的最新文献或资料，为构建更优质的数据集提供理论支撑，构建data-centric数据闭环，研究在固定模型和评测的情况下提高大模型数据语料质量，包括持续优化数据质量，研究数据和模型的scaling law，研究数据配比，数据混入策略与混入时机。 3.围绕更具体细分类数据（如网页、代码、论文、书籍等等）构建相应大模型的数据-训练-评测链条，并针对细分类数据建立数据质量评估与优化体系，使得细分类数据质量超越已公开的数据集。

任职要求： 1.计算机、软件工程、信息科学等相关专业，硕士学历及以上者优先； 2.三年以上NLP相关方向研究经验 ，有发表顶会论文、大模型相关经验、一线互联网公司NLP算法开发经验优先； 3.具备能够快速阅读论文和复现论文的能力，能够系统性对比研究领域的相关成果，并制定改进计划。 4.熟练掌握Python/C++等语言，熟悉pytorch、tensorflow等常用深度学习工具，熟悉常用数据结构及算法；熟练掌握大模型预训练，SFT等流程。 5.具有大规模数据集处理相关的工程经验，熟悉Hadoop，Spark等分布式框架的使用。 6.有强烈的上进心和求知欲，善于学习新事物，渴望用技术改变未来；有优秀的分析问题和解决问题的能力，对解决具有挑战性问题充满激情；具备良好的团队合作精神和沟通意识。