腾讯金融科技-大模型后训练算法工程师-支付反洗钱风控方向
任职要求
1.研究生及以上学历，计算机、人工智能、数学等相关专业（有数学、编程竞赛加分）； 2.具备良好的LLM技术基础，熟练使用深度学习训练和推理框架，深入理解Transformer、GPT等模型架构； 3.在Post-training方向有一定研究基础，熟悉SFT/DPO/PP…
工作职责
1.面向AI应用场景的大模型后训练方向的核心技术研发，包括SFT、偏好学习、强化学习等算法研发、优化与创新，提升业务效果； 2.利用LLM能力，构建用户异常交易、可疑行为特征模型，深度识别客户风险； 3.跟踪大模型后训练方向的前沿技术，参与前沿算法研究，推动研究成果在反洗钱与风控场景的落地应用； 4.基于用户特征、文本数据及尽调资料等信息，探索创新的技术来更好了解客户，洞察用户交易风险。
1.主导腾讯金融科技大模型在智能投顾、智能运营、智能客服、搜索推荐等金融核心场景的落地与迭代，带领团队解决链路中的关键技术瓶颈，构建可规模化复用的解决方案； 2.持续跟踪大模型前沿技术(Agent流程编排、Skill、RAG、架构优化、对齐技术、推理加速等)，结合金融场景沉淀方法论，推动规范化复用并内化为团队标准。
1.负责金融风控场景中AI Agent方向的架构升级，提升大模型逻辑推理和任务规划能力，构建具备自主决策、协作与工具调用能力的多智能体系统（Multi-Agent System），推动大模型从“对话式AI”向“任务执行体”演进，解决复杂场景下的自动化问题； 2.深入研究并应用LLM的复杂推理技术（如思维链CoT、思维树ToT），并熟悉应用Prompt Cache，多工具并发调度，上下文隔离，长短期记忆管理，权限与安全收敛等Agent工程化和治理技术，赋予Agent独立探索与解决问题的能力； 3.跟进LLM相关的算法最新技术方向，运用指令微调、强化学习等方法，提升大模型规划、推理与遵循指令的能力，从而提升模型知识边界探索和抗干扰的能力。
1.开展VLM在GUI智能体场景下的前沿研究，主导包括数据构造、仿真环境构建、模型后训练（Post-training）等全流程关键技术攻关； 2.深耕AI编程垂直领域，围绕工具调用、自动化测试与流水线优化等方向，进行模型调优与方法创新，探索更高效的智能编程范式； 3.负责上下文压缩与高效推理技术的研究，重点推进Embedding压缩、长上下文优化、多模态信息提取等方向的算法突破与技术落地； 4.追踪学术界与工业界最新进展，保持对NLP、CV、强化学习等领域的前沿敏感度，提出具有前瞻性的研究课题并推动实验验证； 5.参与研究方案设计、技术路线论证与系统架构评审，确保研究方向的合理性、系统的高效性与可扩展性； 6.推动研究成果向业务场景转化，撰写技术报告与研究论文，积极参与学术交流与技术分享。
1.负责文本大模型在AI编程垂直领域（如代码生成、工具调用、接口测试）的数据构造、Post-Training与评估全流程； 2.深入代码大模型与文本推理方向，进行模型调优与能力创新，覆盖代码补全、流水线自动化、测试用例生成等场景；开展大模型智能体（Agent）的开发与设计，包括智能体工作流编排、工具调用规划、复杂任务分解与执行等； 3.负责文本上下文压缩技术的研究，并在代码检索、知识库问答领域的落地，包括Embedding压缩、长上下文（Long-context）优化、结构化文本处理等； 4.负责基于大模型的知识检索问答（如RAG）系统的研发与优化，包括领域知识库构建、检索增强生成技术应用、问答准确性提升等； 5.跟踪文本大模型、程序语言处理及智能体技术领域的技术进展，评估其在研发效能提升方面的应用潜力。