腾讯
校招多模态大模型数据质量框架构建与优化
深圳总部 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、具备扎实的 NLP/多模态领域算法基础，深刻理解大模型（LLM/VLM）的基本原理与演进趋势，对 Data-Centric AI（以数据为中心的AI） 理念、数据质量评估标准以及高质量预训练/对齐（SFT/RLHF）数据构建有深入研究；
- 2、熟练掌握海量数据清洗、去重、过滤等核心技术，有基于大模型的数据合成与重写（Data Synthesis/Rewriting）实战经验；熟悉并实践过 Agent 核心技术（如 Tool-use、复杂 Pipeline 编排），了解如何利用 Reward Model 或 LLM-as-a-Judge 进行数据质量打分与动态筛选者优先；
- 3、熟练掌握 PyTorch 等主流深度学习框架，熟悉分布式数据处理框架（如 Spark、Ray 等）以及主流 Agent 开发框架（如 LangChain、AutoGen 等），代码熟练，具备优秀的端到端自动化数据流水线工程化落地能力；
- 4、在 ACL、ICLR、NeurIPS、KDD 等顶会发表过高质量论文（尤其是 Data-Centric AI、数据合成、大模型对齐、Agent 架构等相关方向），或在相关知名开源数据处理项目（如 Data-Juicer 等）、高质量开源数据集发布中做出过重要贡献。
岗位描述
【岗位职责】
【课题背景】
高质量数据是大模型展现涌现能力与价值对齐的基石（即“Garbage in, garbage out”）。当前数据处理高度依赖人工配置，效率低下。随着参数红利减弱，数据质量成为突破性能瓶颈的核心。本课题旨在构建基于 Agent 的智能化数据质量评估与治理框架，通过大模型自身的规划能力实现数据清洗、合成的端到端自动化，打造“评测牵引-数据优化”的无缝闭环，以高质量数据飞轮反哺模型迭代。
【课题内容】
- 1. 构建多维度数据质量评估体系：定义并量化数据质量标准，覆盖纯净度、语义多样性、逻辑复杂性及安全性（去毒/去偏），并针对多模态（图文/音视频）及垂直领域（代码/数学）制定差异化评估策略。
- 2. 研发基于 Agent 的自动化数据治理架构：构建数据智能体，根据模型训练需求自动编排数据流水线，智能调度启发式规则、轻量级模型打分及大模型（LLM）数据重写与合成等核心算子。
- 3. 数据处理算子的大模型化抽象：将传统的数据清洗与增强规则整合、抽象为统一的“数据处理大模型”，大幅提升算子在复杂多模态任务中的泛化能力与长尾 Bad Case 处理上限。
- 4. 构建“评测-数据-模型”协同进化闭环：打通评测智能体与数据智能体的交互链路，使评测发现的模型短板能自动触发数据 Agent 进行针对性的低质数据裁剪、高质量数据合成与版本演进，实现数据飞轮的自动化运转。
【任职要求】
- 1、具备扎实的 NLP/多模态领域算法基础，深刻理解大模型（LLM/VLM）的基本原理与演进趋势，对 Data-Centric AI（以数据为中心的AI） 理念、数据质量评估标准以及高质量预训练/对齐（SFT/RLHF）数据构建有深入研究；
- 2、熟练掌握海量数据清洗、去重、过滤等核心技术，有基于大模型的数据合成与重写（Data Synthesis/Rewriting）实战经验；熟悉并实践过 Agent 核心技术（如 Tool-use、复杂 Pipeline 编排），了解如何利用 Reward Model 或 LLM-as-a-Judge 进行数据质量打分与动态筛选者优先；
- 3、熟练掌握 PyTorch 等主流深度学习框架，熟悉分布式数据处理框架（如 Spark、Ray 等）以及主流 Agent 开发框架（如 LangChain、AutoGen 等），代码熟练，具备优秀的端到端自动化数据流水线工程化落地能力；
- 4、在 ACL、ICLR、NeurIPS、KDD 等顶会发表过高质量论文（尤其是 Data-Centric AI、数据合成、大模型对齐、Agent 架构等相关方向），或在相关知名开源数据处理项目（如 Data-Juicer 等）、高质量开源数据集发布中做出过重要贡献。
【技术方向】
多模态、视觉、语音
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。