岗位职责
- 设计规则明确、可规模化的通用模型评测体系（文本/多模态/Agent）
- 构建评测集：能力维度拆解、rubric 设计、标准答案与评分卡
- 跑自动评测 + 人工评测，输出能力画像、bad case、回归对比
- 把评测结果反推到数据侧：缺什么能力补什么数据
- 建设评测平台化能力，支持多模型版本横向对比
任职要求
- 逻辑强，能拆能力维度（推理/知识/指令/安全/格式）
- 会写 rubric，能区分“对、可接受、瞎编、违规”
- 熟练 Python，能搭评测脚本、算一致性、做统计
- 有 LLM 评测、红队测试、数据质检经验优先