Momenta模型评测高级/资深工程师
任职要求
教育背景 计算机科学、人工智能、电子工程、车辆工程等相关专业本科及以上学历，硕士优先。 技术能力 深入理解感知算法（目标检测、分割、跟踪等）及其技术实现与优化方法； 熟悉至少一种深度学习框架（如TensorFlow、PyTorch），有相关算法开发和性能调优经验； 熟悉自动驾驶传感器（如相机、激光雷达）数据处理与分析，具备相关开发经验…
工作职责
算法性能评估 设计并实施自动驾驶感知算法（如目标检测、分割、跟踪）的全面评价方案； 分析算法在不同复杂环境和场景下的表现，诊断性能瓶颈并提出优化建议； 定义和完善感知算法的评价指标体系，推动相关标准化工作。 数据分析与利用 管理大规模自动驾驶评测集，构建高效的数据处理和管理流程，保障数据质量和复用性； 对测试数据进行深入分析，提取关键统计信息，支持算法迭代优化。 跨团队合作 与感知算法、仿真开发、数据采集及标注团队合作，共同推进自动驾驶感知模块的研发与部署； 提供评价测试的关键结果，为算法开发和产品决策提供数据支持。
我们致力于打造银行信贷领域的新一代“智能决策大脑”。我们以行业与产业研究为锚点，以数据智能为引擎，深度融合资深信贷专家的经验与海量异构数据洞察，构建面向信贷全生命周期的领域专属决策大模型。 1.主导信贷大模型的后训练体系：通过有监督微调（SFT）、奖励模型（RM）训练、人类反馈强化学习（RLHF）、直接偏好优化（DPO）等领域领先技术，让模型不仅“会回答”，更能“可解释、答得准、判得稳、符合专家直觉”，实现与信贷业务目标的深度对齐。 2.构建垂直领域智能Agent系统的能力：能主导信贷场景下Intelligent Agent的核心框架设计，融合感知、规划、执行与持续学习机制，并通过知识图谱、RAG、NL2SQL等技术打通非结构化知识、结构化数据与自然语言交互，实现从行业洞察、风险画像到决策支持的端到端自动化。 3.打造高质量领域数据飞轮：从零构建面向信贷场景的指令与偏好数据集，设计数据配比、清洗、增强与合成策略，持续提升数据效率与泛化能力——因为你知道，好模型的背后，是更聪明的数据。 4.建立科学严谨的评估体系：构建覆盖准确性、逻辑一致性、风险敏感度、幻觉控制等多维度的自动化评测 pipeline，用数据驱动模型迭代，确保每一个版本都比上一个更可靠、更可用。 5.站在AI+金融的最前沿：紧密跟踪全球大模型的最新进展（如新型偏好学习、多Agent协作等），快速将学术突破转化为业务生产力，解决真实世界中复杂、高 stakes 的信贷决策挑战。同时将领域化的研究转化为高质量的顶会论文，形成持续学术影响力。
负责 LLM 在软件研发领域的应用与落地，采用包括但不限于LLM、Agent/Multi-agent、Tool Learning、RAG、RLHF等技术，探索大模型和软件研发领域的结合，实现在业务中的应用落地。负责算法模型研发，包含但不限于Embedding、SFT、Self-instruct;参与领域模型的全流程工作，包括但不限于数据、训练、评测、推理部署，保证数据的高质量和有效性;探索Agent在复杂任务中的应用，实现基于LLM的复杂任务在软件研发领域场景的应用落地。
1、与业务方紧密合作，理清业务需求并从多模态角度提供解决方案； 2、跟进前沿多模态算法，了解常见多模态任务、数据、评测手段，能够使用内外部多模态工具； 3、处理和分析多模态数据，需要能够有效地清洗、整理和可视化数据等； 4、在多模态LLM上要做到用能改，并在业务数据上Finetune； 5、着重探索基于多模态LLM的视频内容理解，支撑各类业务； 6、与各团队紧密协作，确保算法实施满足业务需求，有优秀的团队管理经验。
参与滴滴智能客服的对话算法工作，需要具备扎实的算法功底，结合业务场景，构建下一代客服 Agent，驱动服务体验与效率提升。 工作内容： 1、负责滴滴智能客服 Agent 底层的模型设计与训练工作，与产品、工程团队合作； 2、实施客服领域大模型的后训练工作，如大规模数据建设、Post-Training、偏好对齐等技术； 3、应用 Post-Training 方向前沿算法和框架，持续提升现有算法的效率与效果，解决领域模型的指令遵循、话术偏好、幻觉问题等； 4、关注行业前沿，推进有价值的技术与业务场景的结合，探索创新方法，推动技术创新。