腾讯大模型应用算法研究员/工程师 - 智能体方向

1.多模态智能体研发：研发大数据领域多模态智能体，融合表格、文本、图像、视频、语音、结构化数据等多源信息，构建感知-推理-决策-交互一体化智能系统，并应用于智能决策，人机协作场景； 2.跨模态理解与生成：设计跨模态对齐与融合算法，提升智能体对复杂语义（如视觉问答、图文生成、视频摘要）的理解与生成能力，开发多模态检索增强技术。

1.智能对话式BI智能体研发：支持自然语言查询、数据分析、可视化生成及业务决策建议，支持多源、多模态数据（文本，图表、数据看板）的动态生成和交互优化； 2.数据与知识增强：构建BI领域知识库（元数据、指标中台），设计数据权限控制、确保敏感数据处理； 3.BI方向工具开发：异动分析、归因及预测模型。

这是一个面向AI时代、极具技术挑战性的岗位。 您将深度探索通过AI从千亿金融数据切片中洞察投资者情绪和盘面状态，针对国际国内重大热点事件追踪对人工智能、新能源、半导体、新材料、生物医药等关键产业链上下游方向金融标的影响，推动AI从辅助工具向投资决策伙伴演进，引领全球金融行业智能变革！ 一、岗位职责 1. 市场情绪量化智能辅助交易决策——将市场情绪转化为可量化的决策信号 - 开发AI驱动的多维度市场情绪指标体系，从全球社交媒体、多语言新闻资讯、跨市场交易数据中提取投资者情绪特征 - 构建情绪-市场行情的因果关联模型，挖掘情绪变化与股价波动、资金流向的深层关系 - 打造实时情绪监测预警系统，捕捉市场拐点与异常波动 - 将情绪量化指标融入投资决策框架，为全球投资者提供前瞻性的交易信号与风险预警 - 基于历史数据进行策略回测与优化，持续提升预测准确性 2. 重大事件驱动的产业链投资机会挖掘——从事件到投资策略的全链路智能化 - 基于知识图谱构建全球产业链关系网络，覆盖全球企业、供应链依赖、竞争格局等多维度关联 - 开发重大事件智能识别与影响传导分析系统，自动追踪全球政策变化、技术突破、地缘事件对产业链的冲击路径 - 构建事件驱动的投资策略回测引擎，量化评估历史事件对不同市场、行业、个股的影响程度 - 利用大模型进行事件深度解读，自动生成产业链影响分析报告与投资策略建议 - 打造"事件监测→产业链挖掘→影响量化→策略生成→回测验证"的完整智能投研闭环 3. 构建Multi-Agent驱动的多模态智能内容创作系统 Multi-Agent协同与Deep Search深度创作 - 构建多智能体协作框架，通过Deep Search进行深度信息检索与知识整合 - 实现高质量金融内容的自动化创作，从数据挖掘到观点生成的全链路智能化 多模态内容理解与生成 - 融合文本、图表、视频等多模态数据，开发跨模态内容理解与创作能力 - 结合AI可视化技术，将复杂金融数据转化为直观的可视化内容，构建"理解-分析-可视化"的深度内容生产链路 4. 引领金融AI技术前沿探索 持续跟踪Multi-Agent、Deepsearch、多模态学习、知识图谱、情绪计算、因果推断等领域最新研究成果，评估前沿技术在全球金融投研与内容创作场景的应用价值。与团队协作将创新技术转化为产品能力，推动同花顺在国际金融智能领域的技术突破。

研究方向一：垂域LLM研究与构建​ 1.基座模型架构设计与优化：参与大语言模型基座架构的设计，研究前沿技术，如稀疏激活、混合精度训练等，同时优化模型的训练和推理流程。​ 2.技术创新与突破：参与前沿技术研究，如多任务学习、跨模态理解等，推动模型在复杂任务上的性能提升；探索Transformer替代架构，突破现有模型scaling law限制；同时挑战学术benchmark，为模型的性能树立新的行业标杆。​ 3.强化学习算法研究：参与大语言模型后训练阶段的强化学习算法研究，包括基于AI和环境反馈的强化学习（RLXF）算法。同时探索奖励模型与反馈机制，研究可泛化的细粒度过程监督和奖励建模，探索基于细粒度反馈的强化学习算法。​ 4.垂域模型定制化构建：领域认知智能突破，探索小样本场景自演进架构设计、可信推理机制构建等方向，同时建立面向AGI的模型评价体系新范式。​ 5.跨部门协作与落地：与公司数据科学家、算法工程师、产品团队紧密合作，将研究成果快速转化为实际应用，推动大语言模型在更多场景的落地。​​ 研究方向二：垂域MLLM研究与构建​ ​1.研究多模态表征与大语言模型融合的前沿技术，设计和实现创新算法，研究异质数据的统一编解码模型，适配多种模态下的特征统一，实现高效微调与优化。​ 2.探索强化学习（RL）在多模态大模型中的应用，包括强化学习增强的多模态生成、跨模态对齐、偏好建模及自适应优化，提升多模态理解与推理能力。 ​3.持续追踪多模态与强化学习结合的最新研究进展，优化现有多模态系统架构，提升性能、效率与可扩展性，推动多模态强化学习在智能体交互、决策推理等任务中的应用。 ​4.构建技术评估体系，通过多场景验证推动多模态理解、生成及强化学习优化策略的落地应用，提升多模态大模型的泛化能力和实际应用价值。​​ 研究方向三：基于角色扮演的虚拟数字助理 ​​1. 角色扮演技术（Role-Playing）：通过模型优化、Agent构建，在人设、拟人性、情感等取得显著提升。 ​2. 记忆管理与增强（Memory）：通过模型长上下文，记忆抽取与管理，提升系统的记忆能力。 ​3. 个性化技术：通过用户行为数据挖掘与建模，结合多轮对话上下文理解，分析用户情感状态，提升模型的个性化回复能力。 ​4. 基于Agent的数字助理：通过Agent构建和基于RL的优化，实现数字助理的能力复刻和增强