Scientific Data / Data Engine 科学家 / 工程师

Scientific Data & Data Engine Scientist / Engineer

岗位描述

你将参与 Scinetics 科学数据基础设施与 Data Engine 的核心研发，面向 Foundation Model、Post-training 和 Scientific Agent 持续构建高质量、可训练、可验证的科学数据。

我们关注的不只是“收集更多数据”，而是如何将分散在论文、数据库、科学软件、Agent trajectories 和实验过程中的科学信息，转化为能够真正提升模型能力的训练信号，并建立可以持续迭代的数据生产体系。

你将与 Foundation Model、Post-training、Agent 及科学团队紧密合作，探索 Data → Model → Agent → Scientific Workflow / Experiment → New Data 的持续数据闭环。

研究方向

• Scientific Data Engine

• Multimodal Scientific Data

• Scientific Data Mining & Knowledge Extraction

• Data Curation / Cleaning / Deduplication

• Synthetic Data Generation

• Agent Trajectory Data

• Reasoning Data

• Scientific Knowledge Extraction

• Data Quality & Data Evaluation

• Multimodal Data Alignment

• Data Pipeline & Large-scale Processing

• AI for Science

岗位职责

• Scientific Data Engine：设计和建设面向科学基础模型与 Scientific Agent 的数据生产系统，从公开科学资源、论文、数据库、科研工具、Agent trajectories 及其他科学环境中持续构建高质量训练数据。

• 科学数据抽取与结构化：处理论文文本、表格、图像、分子、序列、结构、实验记录等异构科学信息，探索自动化 scientific knowledge extraction、结构化和质量控制方法。

• 训练数据构建：围绕 Pre-training、Post-training 和 Agent 等不同训练阶段构建相应的数据集，包括 multimodal data、reasoning data、trajectory data、preference data、tool-use data 等。

• 数据质量与评测：建立数据质量评估体系，研究 filtering、deduplication、contamination detection、difficulty estimation、data mixture 等问题，并通过模型训练实验验证不同数据对模型能力的真实贡献。

• 数据闭环：与 Agent 和科学团队协作，将真实科研过程中的成功路径、失败案例、工具调用和实验反馈转化为新的训练数据，探索持续演化的 scientific data flywheel。

• 数据基础设施：建设可扩展的数据处理 pipeline，支持大规模科学数据的采集、清洗、转换、版本管理和训练调用。

我们希望你

• 本科及以上学历，计算机、人工智能、数据科学、数学、生物信息学、计算生物学或相关理工科专业；

• 有大模型训练数据、数据工程、数据挖掘、信息抽取、Synthetic Data 或相关项目经验；

• 熟悉 Python，具备较强的数据处理与工程能力；

• 熟悉大规模数据处理流程，对数据质量、数据分布和训练效果之间的关系有实际理解；

• 能够从模型训练结果反向分析数据问题，而不仅仅完成数据 ETL；

• 对 AI for Science 有长期兴趣，愿意处理复杂、异构且并不完美的真实科学数据。

加分项

• 有 LLM / VLM Pre-training 或 Post-training 数据构建经验；

• 有 Synthetic Data、Reasoning Data、Agent Trajectory Data 构建经验；

• 有 scientific literature mining、PDF / Table / Figure extraction、knowledge extraction 经验；

• 有生物信息学、化学信息学、蛋白质 / 分子 / Omics 等科学数据处理经验；

• 有多模态数据 alignment / representation 相关经验；

• 有大规模数据 pipeline、Ray / Spark / distributed processing 等实践；

• 有数据质量评测、Data Mixture、Data Ablation 或 Data Scaling 相关研究经验；

• 有高水平论文、Technical Report 或高质量开源项目。

我们尤其希望找到能够思考这样一个问题的人：

什么样的科学数据真正能够让模型变得更聪明，以及如何持续、规模化地产生这些数据？