1.评测体系构建与Benchmark基线制定：主导面向工业AI各方向（大模型、视觉、预测等）的评测体系设计与建设，覆盖模型效果、鲁棒性、泛化能力、响应延迟等多维度指标。制定统一的Benchmark基线标准，从公开数据集和工业实际场景收集、清洗、标准化测试数据集，构建3000+数据量级的高质量测评库。设计分层次评测方案（L1/L2/L3），覆盖基础能力、场景泛化、极限边界等不同级别的测试要求。
2.大规模自动化评测流程建设：构建大规模自动测评流程，支持多模型批量测试、指标自动计算、性能趋势分析与问题定位。设计自动化回归脚本体系，配合CI/CD流水线实现模型版本迭代的自动回归验证，确保模型质量不退化。建立标准化测试集维护机制，包括数据集版本管理、标注一致性核查、测试用例持续扩充。
3.模型效果分析与优化闭环：对模型评测结果进行深度分析，定位效果瓶颈（数据处理、模型选择、超参配置等环节），输出可执行的优化建议。建立Agent驱动的自动评测与实验反馈闭环，将任务理解、动作选择、确定性工具执行、实验反馈和自动评测组织为可迭代流程。跟踪模型在多任务、多场景下的性能分布，识别长尾失败模式，推动针对性优化。
4.模型质量管控与鲁棒性验收：制定工业场景模型上线前的质量验收流程，包含准确性、稳定性、对抗鲁棒性、边界条件等多维度验收标准。设计对抗测试、压力测试、异常输入测试等鲁棒性验证方案，确保模型在真实工业环境中稳定可靠。
5.异构GPU适配与性能监控（协同）：协同团队完成模型在异构工业级GPU（NVIDIA/Ascend等）上的适配评测，输出各平台的性能基准报告。参与模型推理性能监控体系（K8s集群监控），持续跟踪线上模型推理延迟、吞吐与资源利用率。

学历 硕士及以上
工作经验 3年以上
任职资格 "1.硕士及以上学历，计算机、人工智能、软件工程、数学等相关专业，211/双一流院校优先。
2.3年以上AI算法或模型评测相关经验，有华为等头部企业AI研发经验者优先。
3.具备大规模Benchmark建设和评测流程设计经验，有1000+数据集量级自动测评实操经历；精通Python和PyTorch，熟练编写自动化训练、测试与回归脚本；熟悉LLM Agent评测方法，有Agent轨迹跟踪、自动评测、效果量化分析的实际经验；了解AutoML、模型推荐、集成学习等自动化建模方法，具备实验链路设计与数据分析能力。
4.熟悉CI/CD流水线、Linux开发环境，具备良好的代码规范与文档输出能力。
5.加分项：有OmniTableBench、GLUE、SuperGLUE、MMLU等大型Benchmark建设经验；在多模态、表格学习、时序预测等方向有模型评测和效果分析的实战经验；有跨团队协作推动评测标准落地的经验，能推动各算法团队统一评测规范；在ICLR/NeurIPS/ICML等顶会或ACM Computing Surveys级别期刊有论文发表。

北京市 东湖国际中心、青岛