主分类：AI模型评测工程
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": "日常实习生-大模型数据评测-Qwen基础模型",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "Token Foundry",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里巴巴集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "10000人以上",
"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": "计算机科学、人工智能、电子工程、数学、统计学等相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。我们通过 RL、SFT、RFT 等技术探索大模型潜能，并致力于提升其 Agent 能力，让大模型真正服务于真实世界。而模型能力提升的每一步，都依赖一套能精准刻画\"模型现在会什么、还差什么\"的评测数据体系。在这里，你将亲手构建那些真正定义模型能力边界的评测集，让自己的每一个设计决策都写进下一代 AI 的验证标准里。\n这意味着要审慎思考评测任务设计、评估方法论与数据管线架构，并始终关注评测设计如何影响下游训练决策。该岗位处于后训练与模型评估方法论的交叉点：你需要理解一条 RLHF 管线需要怎样的能力信号、什么才是一道能真正区分模型强弱的评测题、如何避免评测数据中的偏置与泄漏，以及如何让评测结果可复现、可解释、可迭代。然后，配合模型训练需求，构建能可靠、批量化产出评测数据的工作流。\n具体来说，你将围绕\"评测数据的设计—生产—质量—分析\"全链路开展工作：\n1. 构建端到端的评测数据工作流，从评测任务设计、样本构造、质量校验到交付上线，确保每个环节产出的数据能有效支撑 SFT、RL、模型选型与能力迭代；\n2. 设计并维护覆盖通用能力、指令跟随、推理、代码、Agent 工具调用、多语言等方向的评测数据集与 benchmark，持续补充模型当前暴露出的薄弱场景；\n3. 搭建自动化评估与人工评测相结合的数据质量框架，在数据生产、校验、评审过程中提前发现偏置、噪音、重复与泄漏问题，并建立可落地的反馈闭环；\n4. 参与评测结果分析与错误案例归类，提炼模型能力短板与失败模式，输出可沉淀的评测方法论、评测标准或复用工具；\n5. 与算法、标注团队协作改进评测数据管线，在不牺牲质量的前提下，通过结构性、方法性改动提升数据生产效率与评测可信度。",
"requirements_text": "1. 计算机科学、人工智能、电子工程、数学、统计学等相关专业本科及以上学历，硕士优先；\n2. 具备良好的编程与工程实现能力，熟悉 Python，掌握常用数据处理与脚本工具，能独立完成数据处理、统计分析和小型评测工具开发；\n3. 具备系统性的数据分析与任务设计能力，理解评测任务设计对模型能力判定的影响，能兼顾整条评测数据管线，而不只是分析末端结果；\n4. 在自然语言处理、大语言模型、Agent、计算机视觉等方向具有良好知识基础，熟悉主流评测指标、评测方法与开源 benchmark，理解准确率、F1、胜率、指令遵循率等指标背后的适用边界；\n5. 熟悉 LLM 后训练范式（如 SFT、RL），并对\"评测数据如何反映模型真实能力、如何影响训练决策\"有可用的直觉；\n6. 对标注规范、数据质量、评测可复现性有较强的敏感度和责任心，能够写出清晰、可执行的评测任务说明与质量校验规则；\n7. 具备良好的科研能力，在相关领域国际顶级会议（ACL、EMNLP、CVPR、ICCV、NeurIPS、ICLR、AAAI 等）有论文发表者优先；\n8. 拥有数据建模、Kaggle 等竞赛获奖经历，或拥有知名开源项目贡献经历，在开源社区具有一定影响力者优先。",
"skills": [AI生成
"Python",
"自然语言处理",
"计算机视觉",
"数据分析",
"统计分析",
"建模",
"大语言模型"
],
"preferred_qualifications": "1. 计算机科学、人工智能、电子工程、数学、统计学等相关专业本科及以上学历，硕士优先；7. 具备良好的科研能力，在相关领域国际顶级会议（ACL、EMNLP、CVPR、ICCV、NeurIPS、ICLR、AAAI 等）有论文发表者优先；8. 拥有数据建模、Kaggle 等竞赛获奖经历，或拥有知名开源项目贡献经历，在开源社区具有一定影响力者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199908760002?deptCodes="
}
]
},
"posting": {
"posting_id": "199908760002",
"post_date": "2026-08-17",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199908760002?deptCodes="
},
"fulltext": "日常实习生-大模型数据评测-Qwen基础模型\n日常实习生-大模型数据评测-Qwen基础模型\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2032-10-31\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：北京 / 杭州\n\n职位描述\n千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。我们通过 RL、SFT、RFT 等技术探索大模型潜能，并致力于提升其 Agent 能力，让大模型真正服务于真实世界。而模型能力提升的每一步，都依赖一套能精准刻画\"模型现在会什么、还差什么\"的评测数据体系。在这里，你将亲手构建那些真正定义模型能力边界的评测集，让自己的每一个设计决策都写进下一代 AI 的验证标准里。\n这意味着要审慎思考评测任务设计、评估方法论与数据管线架构，并始终关注评测设计如何影响下游训练决策。该岗位处于后训练与模型评估方法论的交叉点：你需要理解一条 RLHF 管线需要怎样的能力信号、什么才是一道能真正区分模型强弱的评测题、如何避免评测数据中的偏置与泄漏，以及如何让评测结果可复现、可解释、可迭代。然后，配合模型训练需求，构建能可靠、批量化产出评测数据的工作流。\n具体来说，你将围绕\"评测数据的设计—生产—质量—分析\"全链路开展工作：\n1. 构建端到端的评测数据工作流，从评测任务设计、样本构造、质量校验到交付上线，确保每个环节产出的数据能有效支撑 SFT、RL、模型选型与能力迭代；\n2. 设计并维护覆盖通用能力、指令跟随、推理、代码、Agent 工具调用、多语言等方向的评测数据集与 benchmark，持续补充模型当前暴露出的薄弱场景；\n3. 搭建自动化评估与人工评测相结合的数据质量框架，在数据生产、校验、评审过程中提前发现偏置、噪音、重复与泄漏问题，并建立可落地的反馈闭环；\n4. 参与评测结果分析与错误案例归类，提炼模型能力短板与失败模式，输出可沉淀的评测方法论、评测标准或复用工具；\n5. 与算法、标注团队协作改进评测数据管线，在不牺牲质量的前提下，通过结构性、方法性改动提升数据生产效率与评测可信度。\n\n职位要求\n1. 计算机科学、人工智能、电子工程、数学、统计学等相关专业本科及以上学历，硕士优先；\n2. 具备良好的编程与工程实现能力，熟悉 Python，掌握常用数据处理与脚本工具，能独立完成数据处理、统计分析和小型评测工具开发；\n3. 具备系统性的数据分析与任务设计能力，理解评测任务设计对模型能力判定的影响，能兼顾整条评测数据管线，而不只是分析末端结果；\n4. 在自然语言处理、大语言模型、Agent、计算机视觉等方向具有良好知识基础，熟悉主流评测指标、评测方法与开源 benchmark，理解准确率、F1、胜率、指令遵循率等指标背后的适用边界；\n5. 熟悉 LLM 后训练范式（如 SFT、RL），并对\"评测数据如何反映模型真实能力、如何影响训练决策\"有可用的直觉；\n6. 对标注规范、数据质量、评测可复现性有较强的敏感度和责任心，能够写出清晰、可执行的评测任务说明与质量校验规则；\n7. 具备良好的科研能力，在相关领域国际顶级会议（ACL、EMNLP、CVPR、ICCV、NeurIPS、ICLR、AAAI 等）有论文发表者优先；\n8. 拥有数据建模、Kaggle 等竞赛获奖经历，或拥有知名开源项目贡献经历，在开源社区具有一定影响力者优先。\n\n在招业务\nToken Foundry\n千问（Qwen）是由阿里巴巴自主研发的超大规模语言模型，具备跨语言、跨任务的理解与生成能力。我们通过 RL、SFT、RFT 等技术探索大模型潜能，并致力于提升其 Agent 能力，让大模型真正服务于真实世界。而模型能力提升的每一步，都依赖一套能精准刻画\"模型现在会什么、还差什么\"的评测数据体系。在这里，你将亲手构建那些真正定义模型能力边界的评测集，让自己的每一个设计决策都写进下一代 AI 的验证标准里。\n这意味着要审慎思考评测任务设计、评估方法论与数据管线架构，并始终关注评测设计如何影响下游训练决策。该岗位处于后训练与模型评估方法论的交叉点：你需要理解一条 RLHF 管线需要怎样的能力信号、什么才是一道能真正区分模型强弱的评测题、如何避免评测数据中的偏置与泄漏，以及如何让评测结果可复现、可解释、可迭代。然后，配合模型训练需求，构建能可靠、批量化产出评测数据的工作流。\n具体来说，你将围绕\"评测数据的设计—生产—质量—分析\"全链路开展工作：\n1. 构建端到端的评测数据工作流，从评测任务设计、样本构造、质量校验到交付上线，确保每个环节产出的数据能有效支撑 SFT、RL、模型选型与能力迭代；\n2. 设计并维护覆盖通用能力、指令跟随、推理、代码、Agent 工具调用、多语言等方向的评测数据集与 benchmark，持续补充模型当前暴露出的薄弱场景；\n3. 搭建自动化评估与人工评测相结合的数据质量框架，在数据生产、校验、评审过程中提前发现偏置、噪音、重复与泄漏问题，并建立可落地的反馈闭环；\n4. 参与评测结果分析与错误案例归类，提炼模型能力短板与失败模式，输出可沉淀的评测方法论、评测标准或复用工具；\n5. 与算法、标注团队协作改进评测数据管线，在不牺牲质量的前提下，通过结构性、方法性改动提升数据生产效率与评测可信度。\n1. 计算机科学、人工智能、电子工程、数学、统计学等相关专业本科及以上学历，硕士优先；\n2. 具备良好的编程与工程实现能力，熟悉 Python，掌握常用数据处理与脚本工具，能独立完成数据处理、统计分析和小型评测工具开发；\n3. 具备系统性的数据分析与任务设计能力，理解评测任务设计对模型能力判定的影响，能兼顾整条评测数据管线，而不只是分析末端结果；\n4. 在自然语言处理、大语言模型、Agent、计算机视觉等方向具有良好知识基础，熟悉主流评测指标、评测方法与开源 benchmark，理解准确率、F1、胜率、指令遵循率等指标背后的适用边界；\n5. 熟悉 LLM 后训练范式（如 SFT、RL），并对\"评测数据如何反映模型真实能力、如何影响训练决策\"有可用的直觉；\n6. 对标注规范、数据质量、评测可复现性有较强的敏感度和责任心，能够写出清晰、可执行的评测任务说明与质量校验规则；\n7. 具备良好的科研能力，在相关领域国际顶级会议（ACL、EMNLP、CVPR、ICCV、NeurIPS、ICLR、AAAI 等）有论文发表者优先；\n8. 拥有数据建模、Kaggle 等竞赛获奖经历，或拥有知名开源项目贡献经历，在开源社区具有一定影响力者优先。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}