Job description
亮点 / Highlights:
- 你的工作直接决定万亿大模型的效果天花板 —— 预训练数据质量是影响模型能力的最底层变量，这个方向持续重要且极富挑战，您在做"最核心的事”的同时，是在挖掘大金矿。
- 超大规模数据工程实战打造业界一流的OCR能力 —— 百亿级文档等您挖掘，您积累的系统设计和优化经验，具有极强的稀缺性与市场价值；同时我们志向打造一流的开源OCR模型。
- 学术与业务双驱动 —— 团队技术氛围浓厚，鼓励技术创新、突破以及成果转化；核心技术有机会在顶会发表，业务落地与学术产出双向驱动。
岗位职责 / Duties: 1.负责百亿级别海量文档数据的解析与处理，包括但不限于复杂版面检测、文档元素识别、长文档解析与结构化信息提取。 2.跟踪并研究多模态大模型与文档智能领域的前沿技术，研发业界一流的多模态文档解析大模型。 3.主导预训练长文数据全链路闭环建设，包括但不限于数据理解、数据处理、数据价值判定、多样性建设、数据实验以及长文学习研究等。
任职要求 / Requirements: 1.具备强烈的好奇心与自驱力，对AI数据体系建设与模型优化充满热情，能够从全局视角思考数据与模型的关系。 2.扎实的深度学习和机器学习基础，熟练掌握PyTorch等主流框架，有大模型（LLM/VLM）训练和微调的实战经验。 3.熟悉文档解析（Document AI）、OCR、版面分析或多模态大模型（如LLaVA, Qwen-VL等）相关技术。 4.在CVPR、ICCV、ECCV、ACL等顶级会议以第一作者发表过相关论文，或在知名开源项目中做过核心贡献者优先。 5.有多模态大模型训练特别是OCR能力提升经验者优先。