本课题聚焦预训练数据的全链路智能化处理，探索从原始语料到高质量训练集的自动化构建方法。研究方向包括但不限于：面向海量数据的高效筛选与质量评估机制、通用场景下可扩展的数据管线设计，以及端到端、自动化的高性能数据流水线构建。通过构建高质量、高效率的数据基础设施，为预训练模型的能力跃升提供数据底座支撑。
- 年级不限，本科及以上在读，计算机、人工智能、软件工程或相关交叉学科背景优先， C9院校优先；
- 拥有卓越的工程实现能力与扎实的算法功底，熟练掌握至少一门主流编程语言及 PyTorch 框架，熟练使用 Code Agent 者优先；
- 深耕机器学习与深度学习领域，具备大型语言模型（LLM）项目实战或大规模预训练实际经验者优先；
- 在 NeurIPS、ICML、COLT、ICLR、CVPR 等顶级会议或期刊上发表相关研究成果者优先；
- 具备出色的沟通与协作能力，自驱力强，敢于担当，乐于与团队共同探索前沿技术，推动技术演进与落地。
