富途算法工程师（大模型应用方向）
任职要求
学历背景：计算机、人工智能等相关专业硕士及以上学历（优秀本科生亦可），拥有顶尖高校或海外名校研究经历者更佳。基础能力：算法与数据结构、深度学习、大语言模型基础扎实，在Kaggle、天池等机器学习竞赛中获奖者优先。 研发经验：两年以上大模型预训练、后训练或推理实战经验，熟练掌握 PyTorch/TensorFlow等，具备Pretrain、LoRA 或 PPO、GRPO 等参数高效微调或强化学习落地经验者优先。业务落地：能够将 AI 方案与企业业务深度结合，推动项目从 0 到 1 上线并量化 ROI 若曾主导财务、人力、法务、研发、客服等场景的大模型应用落地项目将获得加分。多模态能力：有多模态 LLM 或图像 / 视频 /音频 AIGC 相关经验加分。技术热忱：持续跟踪最新论文与开源动态，善于将 SOTA 方法工程化 若在 NeurIPS、ICLR、ACL、CVPR 等顶会以一作或通讯作者发表论文，将获优先考虑。工程技能：熟悉 DeepSpeed等分布式训练框架，熟悉推理加速，具备生产级代码能力及 MLOps / CI-CD 经验者加分。协作能力：具备良好的跨团队沟通与项目管理能力，能够驱动产品、数据、DevOps 协同交付。
工作职责
企业级 AI 方案设计与落地：围绕财务自动化、人力智能决策、法务风险洞察、研发提效等核心场景，主导从 0 → 1 的大模型应用规划、可行性分析与实施。前沿大模型应用研发：深入参与代码生成、AI-BI、企业知识问答、多模态 AIGC（图像 / 文本 / 语音 / 视频）等方向的系统设计与算法优化，推动产品化交付。模型全生命周期训练：负责预训练、指令微调、强化学习（如 DPO/PPO/GRPO）、持续蒸馏等工作，构建可复用的训练pipeline与评测体系，实现模型效果与成本的最优平衡。探索落地最前沿的AI技术：紧跟学术与业界动态，撰写技术洞察、内部分享或对外开源/发表论文，提升团队在大模型领域的影响力。
团队介绍： 我们是高德渲染平台研发团队，专注于大模型等前沿技术在地图渲染领域的创新应用。我们的目标是打造智能化的渲染平台，提升渲染效果和质量，为用户带来更优质的体验。如果你对AI赋能渲染、智能化产品升级充满热情，欢迎加入我们！ 具体职责包括但不限于： 1、结合大模型、机器学习技术，优化高德渲染平台，提升渲染效果和质量 2、针对特定业务场景，优化大模型，对大模型进行微调，实现专属技能模型的能力升级。
团队介绍： 我们是高德地图终端体验团队，在业务层面负责核心的出行业务、用户平台业务、创新业务，以及开放平台业务，在技术能力层面，负责性能，稳定性优化、工程智能化、编译工具等基础设施建设。团队技术非常全面，涉及iOS、Android、JS、C++，Flutter、Serverless、java服务等。团队牛人多，技术氛围好，技术分享和学习互助氛围良好。 岗位描述： 1、负责算法在RAG场景下的落地工作，业务场景包括但不限于代码智能生成/信息检索/知识图谱/智能对话/信息总结等； 2、负责RAG调优的算法设计与把控工作，构建例如高效的切片算法、Rerank算法、Query理解模块等，实现高召回率和精确度； 3、推动NL2SQL技术的精准性和性能，提升查询结果的质量； 4、构建完整的端到端LLMOps流程，涵盖数据收集、注解、评估及调优等关键环节。
岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。
岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。