零一万物知识算法工程师
任职要求
1. 计算机、人工智能、软件工程、数学或相关专业本科及以上学历，3年以上算法或AI工程经验； 2. 熟练掌握Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的算法实现与调试能力； 3. 在以下至少两个方向有深入实践： - OCR后处理与文本数据清洗（如模糊匹配、规则引擎、语言模型纠错）； - 知识图谱构建（使用Neo4j、Apache Jena、DGL-KE等工具链）； - 大模型微调与部署（熟悉HuggingFace Transformers、vLLM、L…
工作职责
1. 负责大规模OCR识别结果的数据清洗、纠错与结构化处理，提升文本抽取的准确率与可用性； 2. 设计并构建面向垂直领域的知识图谱，包括实体识别、关系抽取、属性融合、图谱对齐等核心环节； 3. 基于业务场景对开源或自研大语言模型（LLM）进行领域适配与高效微调（如LoRA、QLoRA、Prompt Tuning等），提升模型在特定任务（如问答、推理、信息补全）上的表现； 4. 运用本体论（Ontology）方法设计领域知识体系，定义概念层级、语义关系与逻辑约束，支撑高质量知识建模与推理； 5. 探索多模态（图像+文本）信息融合策略，将OCR输出与视觉上下文结合，增强知识抽取与语义理解能力； 6. 与产品、数据及工程团队紧密协作，推动知识驱动型AI系统在内容理解、智能检索、风险识别等场景中的落地。
1. 设计并实现端到端智驾大模型，整合感知、规划与决策功能，提升模型的整体性能与效率； 2. 运用深度学习、强化学习、机器学习等技术，优化模型结构，提高模型对复杂驾驶场景的理解和应对能力； 3. 负责收集、标注和处理自动驾驶相关数据，构建高质量的数据集，为模型训练提供有力支持； 4. 利用数据增强、迁移学习等方法，提升数据利用效率，优化模型的泛化能力； 5. 跟踪自动驾驶和人工智能领域的最新研究成果，探索新技术在端到端大模型中的应用可能性。
1. 设计并实现端到端大模型，整合感知、规划与决策功能，提升模型的整体性能与效率； 2. 运用深度学习、强化学习、机器学习等技术，优化模型结构，提高模型对复杂驾驶场景的理解和应对能力； 3. 负责收集、标注和处理智能辅助驾驶相关数据，构建高质量的数据集，为模型训练提供有力支持； 4. 利用数据增强、迁移学习等方法，提升数据利用效率，优化模型的泛化能力； 5. 跟踪智能辅助驾驶和人工智能领域的最新研究成果，探索新技术在端到端大模型中的应用可能性
-跟进前沿技术，参与目标检测/实例分割/视频理解/AIGC生成/多模态大模型等方向的算法技术研究与部署落地 -针对工业场景中的实际需求，协助参与CV算法的优化与迭代，提升算法性能与效果 -协助完成相关算法的工程化实现，完成算法落地与产品化工作，确保算法能够在实际项目中稳定运行 -跟踪行业动态与最新技术进展，赋能各个业务方向，为公司项目提供技术支持与解决方案
团队介绍：飞书是 AI 时代先进生产力平台，提供一站式工作协同、组织管理、业务提效工具和深入企业场景的 AI 能力，助力企业能增长，有巧降。 从互联网、高科技、消费零售，到制造、金融、医疗健康等，各行各业先进企业都在选择飞书，与飞书共创行业最佳实践。先进团队，先用飞书。 课题背景： 飞书沉淀了企业内大量知识（文档、wiki、消息、会议记录、图片、视频等）。随着企业知识图谱、用户行为轨迹等图结构数据规模的指数级增长，传统基于文本匹配的RAG系统面临关系感知缺失和个性化能力不足的矛盾。如何寻找相对开销低、效果好的企业问答RAG新范式，突破现有系统在跨模态意图理解深度、个性化排序精度与实时生成质量上的瓶颈，基于企业内部知识和外部公网知识来回答问题与完成深度创作，这项工作对于字节自身做好企业知识管理，和飞书打造国内领先的企业知识问答创作产品，都有重要意义。 课题挑战： 1、图结构融合挑战：传统RAG系统以文本匹配为核心，难以有效捕获用户行为模式、实体拓扑关系等非结构化图信息。如何将文本、图像、视频等异构图数据嵌入到语义理解框架中，构建统一的特征表示空间，是提升意图识别精度的关键瓶颈； 2、动态推理挑战：企业关系图谱具有实时演化特性，用户行为模式与实体关联强度随时间动态变化。现有静态图嵌入方法难以满足实时问答场景的时效性要求，需要开发增量式图学习算法实现动态知识更新； 3、企业内部知识和外部公网知识的融合：当两种知识之间存在差异或冲突时，如果无法有效融合，会显著降低回答的可靠性和实用性。如何在不同模态间建立准确的语义关联，并有效融合内外部知识，是提升回答可靠性和实用性的关键。虽然业界 Deep Research 实现了基于 Agent 架构的公网知识深度检索与创作，但尚无企业内外部知识融合的成功实践； 4、Agentic RAG 可控性：基于Agent架构来实现企业知识问答创作，依赖LLM进行自主推理和判断，其决策过程存在一定的不可预测性。在某些复杂情况下（召回语料量大且干扰性强、企业内部知识与外部知识冲突），Agent可能做出不符合预期的决策，且难以直接干预和纠正。 我们的优势： 1、飞书企业问答产品已经积累了一定的用户基础，并在快速增长； 2、依托飞书套件，能够建立比较完整的用户与其他飞书内实体的图结构数据，并且已经有过早期实践（Lark Graph）； 3、飞书企业问答有完整的评测体系和资源，帮助RAG类探索快速迭代。