主分类：数据工程与数据平台研发
辅助：大模型与生成式算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型预训练工程师-AI Data",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "研发"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、主导大模型数据生产的Pipeline建设，涵盖寻源、采集、解析、处理、实验与分析等环节，为各基础模型提供稳定、大规模且高质量的预训练数据；\n2、进行前沿数据合成研究，探索基于LLM的数据合成与增强技术（如Self-Instruct、Agent交互模拟等），设计高效生成策略以补充数据缺口；\n3、建立针对合成数据的自动化评估体系（如Reward Model、LLM-as-a-Judge），并结合模型评测与数据分析反馈，反向迭代生产线与数据生成策略；\n4、搭建并优化大模型预训练的数据工程底座，开发自动化框架与平台，支持海量数据的清洗、去重与格式化处理，提升底层资源调度与数据策略迭代效率；\n5、沉淀全网高质量预训练数据，建设端到端的数据质量、多样性体系及场景化标签，与算法及基建团队高效协同，探索真实与合成数据的最优配比。",
"requirements_text": "1、本科及以上学历，计算机、人工智能、数学或相关专业，具备扎实的编程基础，精通Python，并掌握至少一种编程语言（Java/Go/C++）；\n2、具备AI数据开发经验，掌握大模型预训练基本原理，熟悉至少一类核心场景（代码生成或通用NLP）的数据特性；\n3、在数据合成或基础工程方面，需具备以下任一方向的专业能力；研究方向：深入理解主流大模型架构及训练机制，熟悉各类Prompt技巧及数据增强机制，对大模型对齐（RLHF/DPO等）背后的数据构建逻辑有深入研究；工程方向：熟悉Spark、Flink、Ray等分布式计算框架，具备海量数据全流程清洗与处理经验，熟悉vLLM等推理加速框架者优先；\n4、具备数据质量指标设计能力，能够熟练使用机器学习算法优化数据筛选与评估效率，沟通高效，能精准对接需求并协调资源。\n\n加分项\n1、参与过大模型数据准备，或有合成数据训练大模型成功落地经验者优先；\n2、在自然语言处理或大模型相关领域（ACL、EMNLP、NeurIPS等）发表过高水平论文，或在GitHub开源项目（特别涉及合成数据、数据处理）有活跃贡献者优先。",
"skills": [AI生成
"Python",
"Java",
"C++",
"Spark",
"Flink",
"机器学习",
"自然语言处理",
"Go",
"大语言模型"
],
"preferred_qualifications": "工程方向：熟悉Spark、Flink、Ray等分布式计算框架，具备海量数据全流程清洗与处理经验，熟悉vLLM等推理加速框架者优先；加分项；1、参与过大模型数据准备，或有合成数据训练大模型成功落地经验者优先；2、在自然语言处理或大模型相关领域（ACL、EMNLP、NeurIPS等）发表过高水平论文，或在GitHub开源项目（特别涉及合成数据、数据处理）有活跃贡献者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7625854547667536181/detail"
}
]
},
"posting": {
"posting_id": "7625854547667536181",
"post_date": "2026-04-07",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7625854547667536181/detail"
},
"fulltext": "大模型预训练工程师-AI Data\n职位描述\n1、主导大模型数据生产的Pipeline建设，涵盖寻源、采集、解析、处理、实验与分析等环节，为各基础模型提供稳定、大规模且高质量的预训练数据；\n2、进行前沿数据合成研究，探索基于LLM的数据合成与增强技术（如Self-Instruct、Agent交互模拟等），设计高效生成策略以补充数据缺口；\n3、建立针对合成数据的自动化评估体系（如Reward Model、LLM-as-a-Judge），并结合模型评测与数据分析反馈，反向迭代生产线与数据生成策略；\n4、搭建并优化大模型预训练的数据工程底座，开发自动化框架与平台，支持海量数据的清洗、去重与格式化处理，提升底层资源调度与数据策略迭代效率；\n5、沉淀全网高质量预训练数据，建设端到端的数据质量、多样性体系及场景化标签，与算法及基建团队高效协同，探索真实与合成数据的最优配比。\n\n职位要求\n1、本科及以上学历，计算机、人工智能、数学或相关专业，具备扎实的编程基础，精通Python，并掌握至少一种编程语言（Java/Go/C++）；\n2、具备AI数据开发经验，掌握大模型预训练基本原理，熟悉至少一类核心场景（代码生成或通用NLP）的数据特性；\n3、在数据合成或基础工程方面，需具备以下任一方向的专业能力；研究方向：深入理解主流大模型架构及训练机制，熟悉各类Prompt技巧及数据增强机制，对大模型对齐（RLHF/DPO等）背后的数据构建逻辑有深入研究；工程方向：熟悉Spark、Flink、Ray等分布式计算框架，具备海量数据全流程清洗与处理经验，熟悉vLLM等推理加速框架者优先；\n4、具备数据质量指标设计能力，能够熟练使用机器学习算法优化数据筛选与评估效率，沟通高效，能精准对接需求并协调资源。\n\n加分项\n1、参与过大模型数据准备，或有合成数据训练大模型成功落地经验者优先；\n2、在自然语言处理或大模型相关领域（ACL、EMNLP、NeurIPS等）发表过高水平论文，或在GitHub开源项目（特别涉及合成数据、数据处理）有活跃贡献者优先。\n1、主导大模型数据生产的Pipeline建设，涵盖寻源、采集、解析、处理、实验与分析等环节，为各基础模型提供稳定、大规模且高质量的预训练数据；\n2、进行前沿数据合成研究，探索基于LLM的数据合成与增强技术（如Self-Instruct、Agent交互模拟等），设计高效生成策略以补充数据缺口；\n3、建立针对合成数据的自动化评估体系（如Reward Model、LLM-as-a-Judge），并结合模型评测与数据分析反馈，反向迭代生产线与数据生成策略；\n4、搭建并优化大模型预训练的数据工程底座，开发自动化框架与平台，支持海量数据的清洗、去重与格式化处理，提升底层资源调度与数据策略迭代效率；\n5、沉淀全网高质量预训练数据，建设端到端的数据质量、多样性体系及场景化标签，与算法及基建团队高效协同，探索真实与合成数据的最优配比。\n1、本科及以上学历，计算机、人工智能、数学或相关专业，具备扎实的编程基础，精通Python，并掌握至少一种编程语言（Java/Go/C++）；\n2、具备AI数据开发经验，掌握大模型预训练基本原理，熟悉至少一类核心场景（代码生成或通用NLP）的数据特性；\n3、在数据合成或基础工程方面，需具备以下任一方向的专业能力；研究方向：深入理解主流大模型架构及训练机制，熟悉各类Prompt技巧及数据增强机制，对大模型对齐（RLHF/DPO等）背后的数据构建逻辑有深入研究；工程方向：熟悉Spark、Flink、Ray等分布式计算框架，具备海量数据全流程清洗与处理经验，熟悉vLLM等推理加速框架者优先；\n4、具备数据质量指标设计能力，能够熟练使用机器学习算法优化数据筛选与评估效率，沟通高效，能精准对接需求并协调资源。\n\n加分项\n1、参与过大模型数据准备，或有合成数据训练大模型成功落地经验者优先；\n2、在自然语言处理或大模型相关领域（ACL、EMNLP、NeurIPS等）发表过高水平论文，或在GitHub开源项目（特别涉及合成数据、数据处理）有活跃贡献者优先。",
"standard_classification": {
"std_category_code": "T016",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}