{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "晓天衡宇-大模型标注评测工程师-数据方向",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "晓天衡宇",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "算法研发"AI生成
    },
    "company": {
        "company_name": "阿里巴巴控股集团",
        "company_industry": "电子商务 / 云计算 / 人工智能",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 验收数据工程方向 AI Coding 数据质量 — 对数据处理 bug-fix、pipeline feature 开发等任务数据进行质量验收，核查任务的真实性、难度合理性与工程场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。",
        "requirements_text": "1. 有真实数据仓库或数据工程开发经验 — 熟练使用 SQL，有 Hive/Spark/Flink 或主流 OLAP 数据库（ClickHouse、Presto 等）使用经验。\n2. 具备代码/SQL 审阅与质量判断能力 — 能读懂他人 SQL 与数据管道，判断逻辑正确性、性能与数据质量问题，识别错误或低质答案。\n3. 熟悉数据工程协作文件 — 理解数据模型设计文档、ETL 调度配置、数据质量报告、字段血缘关系等工程产物。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作",
        "skills": [AI生成
            "SQL",
            "ClickHouse",
            "Spark",
            "Flink",
            "数据库",
            "大语言模型"
        ],
        "preferred_qualifications": "加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100026240006"
            }
        ]
    },
    "posting": {
        "posting_id": "100026240006",
        "post_date": "2026-09-09",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100026240006"
    },
    "fulltext": "晓天衡宇-大模型标注评测工程师-数据方向\n晓天衡宇-大模型标注评测工程师-数据方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n1. 验收数据工程方向 AI Coding 数据质量 — 对数据处理 bug-fix、pipeline feature 开发等任务数据进行质量验收，核查任务的真实性、难度合理性与工程场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。\n\n职位要求\n1. 有真实数据仓库或数据工程开发经验 — 熟练使用 SQL，有 Hive/Spark/Flink 或主流 OLAP 数据库（ClickHouse、Presto 等）使用经验。\n2. 具备代码/SQL 审阅与质量判断能力 — 能读懂他人 SQL 与数据管道，判断逻辑正确性、性能与数据质量问题，识别错误或低质答案。\n3. 熟悉数据工程协作文件 — 理解数据模型设计文档、ETL 调度配置、数据质量报告、字段血缘关系等工程产物。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作\n1. 验收数据工程方向 AI Coding 数据质量 — 对数据处理 bug-fix、pipeline feature 开发等任务数据进行质量验收，核查任务的真实性、难度合理性与工程场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。\n1. 有真实数据仓库或数据工程开发经验 — 熟练使用 SQL，有 Hive/Spark/Flink 或主流 OLAP 数据库（ClickHouse、Presto 等）使用经验。\n2. 具备代码/SQL 审阅与质量判断能力 — 能读懂他人 SQL 与数据管道，判断逻辑正确性、性能与数据质量问题，识别错误或低质答案。\n3. 熟悉数据工程协作文件 — 理解数据模型设计文档、ETL 调度配置、数据质量报告、字段血缘关系等工程产物。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作",
    "standard_classification": {
        "std_category_code": "B010",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}