蚂蚁金服【蚂蚁星】AI 工程师- AI Feedback Loop-平台技术（实习）

部门介绍 网商银行是由蚂蚁集团发起设立的中国首批民营银行之一，也是全球领先的互联网银行。我们始终坚守“普惠金融”初心，聚焦服务小微企业、个体工商户和农村经营者。作为金融科技领域的标杆企业，网商银行以科技为核心驱动力，依托云计算、大数据、人工智能等前沿技术，构建了独特的“310”小微信贷服务模式（3分钟申请、1秒钟放款、0人工干预），目前已服务数千万小微客户。网商银行算法团队致力于整个信贷全流程的AI算法能力构建，技术领域包括大模型、自然语言处理、计算机视觉、多模态等。团队成员近年在ACL/ICLR/WWW/CVPR/ICCV等多个顶级会议发表数十篇学术论文。在AI大模型时代，网商银行正率先探索“AI+金融”的深度融合。我们拥有海量、真实且高价值的小微信贷场景数据，致力于通过大模型技术打破传统风控壁垒，解决长尾客户融资难、风控难的问题。在这里，你可以：[1] 参与覆盖千万客户的金融信贷领域算法研发中，以技术之力跨越金融鸿沟，让普惠金融触达每一个微小经营主体，实现技术的终极价值与前所未有的职业使命感。[2] 得到技术大牛和联合实验室教授的一对一指导，在海量数据和领域特异问题的加持下，与一群有情有义的人加速自身的成长。 职位描述： 1. 构建风控领域高质量数据飞轮：设计并落地面向小微信贷风控的高质量指令数据集构建方案，涵盖数据清洗、去重、隐私脱敏及自动化标注体系。研发基于大模型的数据合成技术与自我进化机制，解决金融场景下高价值标注数据稀缺痛点； 2. 主导金融垂直领域大模型的后训练策略：设计包括 SFT、RL（DPO/GRPO/OPD等）算法优化，针对风控场景特有的逻辑推理、事实准确性及低幻觉要求，研发专用的对齐算法与损失函数，显著提升模型在复杂风控决策中的性能。探索多目标强化学习在风控权衡（如风险vs额度）中的应用，实现模型能力的精细化调控； 3. 高效推理能力建设与工程化落地：负责大模型推理加速技术的研发与应用，包括但不限于KV Cache优化、量化技术以及算子融合优化。优化模型在服务端的推理时效，协同工程团队，打通从训练到推理部署的全链路，实现模型能力的快速迭代与稳定上线； 4. 金融场景下大模型 Agent 框架优化：主导面向复杂金融风控场景的大模型 Agent 框架设计，构建支持多工具调用、多步骤规划及长链路任务执行的智能体系统。优化 ReAct、CoT 等推理范式在风控决策中的应用，解决长上下文记忆管理、状态追踪及异常恢复机制，确保 Agent 在处理客户分析、信贷审批等长周期任务时的稳定性与准确性； 5. 跟踪前沿技术并创新突破：跟踪并复现业界的最新SOTA成果以及在小微信贷风控领域的应用。产出高水平学术论文及开源贡献，引领网商银行在金融AI领域的技术创新。

部门介绍 网商银行是由蚂蚁集团发起设立的中国首批民营银行之一，也是全球领先的互联网银行。我们始终坚守“普惠金融”初心，聚焦服务小微企业、个体工商户和农村经营者。作为金融科技领域的标杆企业，网商银行以科技为核心驱动力，依托云计算、大数据、人工智能等前沿技术，构建了独特的“310”小微信贷服务模式（3分钟申请、1秒钟放款、0人工干预），目前已服务数千万小微客户。网商银行算法团队致力于整个信贷全流程的AI算法能力构建，技术领域包括大模型、自然语言处理、计算机视觉、多模态等。团队成员近年在ACL/ICLR/WWW/CVPR/ICCV等多个顶级会议发表数十篇学术论文。在AI大模型时代，网商银行正率先探索“AI+金融”的深度融合。我们拥有海量、真实且高价值的小微信贷场景数据，致力于通过大模型技术打破传统风控壁垒，解决长尾客户融资难、风控难的问题。在这里，你可以：[1] 参与覆盖千万客户的金融信贷领域算法研发中，以技术之力跨越金融鸿沟，让普惠金融触达每一个微小经营主体，实现技术的终极价值与前所未有的职业使命感。[2] 得到技术大牛和联合实验室教授的一对一指导，在海量数据和领域特异问题的加持下，与一群有情有义的人加速自身的成长。 职位描述： 1. 构建风控领域高质量数据飞轮：设计并落地面向小微信贷风控的高质量指令数据集构建方案，涵盖数据清洗、去重、隐私脱敏及自动化标注体系。研发基于大模型的数据合成技术与自我进化机制，解决金融场景下高价值标注数据稀缺痛点； 2. 主导金融垂直领域大模型的后训练策略：设计包括 SFT、RL（DPO/GRPO/OPD等）算法优化，针对风控场景特有的逻辑推理、事实准确性及低幻觉要求，研发专用的对齐算法与损失函数，显著提升模型在复杂风控决策中的性能。探索多目标强化学习在风控权衡（如风险vs额度）中的应用，实现模型能力的精细化调控； 3. 高效推理能力建设与工程化落地：负责大模型推理加速技术的研发与应用，包括但不限于KV Cache优化、量化技术以及算子融合优化。优化模型在服务端的推理时效，协同工程团队，打通从训练到推理部署的全链路，实现模型能力的快速迭代与稳定上线； 4. 金融场景下大模型 Agent 框架优化：主导面向复杂金融风控场景的大模型 Agent 框架设计，构建支持多工具调用、多步骤规划及长链路任务执行的智能体系统。优化 ReAct、CoT 等推理范式在风控决策中的应用，解决长上下文记忆管理、状态追踪及异常恢复机制，确保 Agent 在处理客户分析、信贷审批等长周期任务时的稳定性与准确性； 5. 跟踪前沿技术并创新突破：跟踪并复现业界的最新SOTA成果以及在小微信贷风控领域的应用。产出高水平学术论文及开源贡献，引领网商银行在金融AI领域的技术创新。

部门介绍： 在万卡规模上，重新定义大模型训练基础设施。我们正在建设面向大模型时代的 AI Infra，支撑超大规模算力集群稳定运行，覆盖预训练、持续预训练、SFT、RL、MoE、多模态等多种训练场景。深入训练系统的核心：从分布式并行、通信优化、算子融合，到容错恢复、精度保障和资源调度，让百亿、千亿、万亿参数模型在大规模异构集群上真正做到——跑得起来、稳定收敛、极致高效。目前平台已支撑上万次大模型训练任务，训练任务规模持续增长。你将参与建设的每一项能力，都将在真实的万卡集群和核心业务模型上接受检验。 为什么加入我们：你面对的不是实验室级的小规模 Demo，而是：万卡级算力规模、真实的大模型训练负载、复杂的生产级硬件环境，以及仍有大量空白等待突破的训练系统。你可以在这里同时获得训练框架的技术深度、万卡集群的系统复杂度，以及与顶尖团队共同探索新模型、新架构的机会。成为下一代大模型训练基础设施的建设者。 职位描述： 1. 研发大模型训练引擎与训练框架，支持 CPT、SFT、RL、MoE、长上下文及多模态训练； 2. 深入 PyTorch、Megatron、FSDP、verl等训练体系，设计张量并行、流水并行、数据并行、专家并行等分布式方案； 3. 面向万卡级集群优化计算、通信、显存和存储效率，解决训练中的性能长尾、通信瓶颈和规模化稳定性问题； 4. 建设 Checkpoint、断点续训、故障自愈、弹性训练、精度比对和可观测能力，提高大规模训练成功率； 5. 适配多种 AI 芯片及异构算力平台，推动训练框架、通信库、算子与硬件之间的深度协同； 6. 深入 Algorithm-System Co-design，让新的模型结构和训练方法能够更快、更高效地落地。

部门介绍： Fin-AI Lab / 财富 AI Lab 是面向金融场景打造的 AI Native 技术团队，聚焦大模型、Agentic Learning、Tool Use、复杂推理、金融数据理解与端到端 AGI 金融智能产品和系统建设。 团队的核心目标不是简单构建一个金融问答助手，而是围绕真实复杂金融场景，训练和构建能够完成长程、多步、可验证任务的大模型 Agent。我们关注大模型从“会回答”走向“会规划、会调用工具、会使用数据、会自我校验、会完成任务”的能力跃迁。 在金融场景下，Agent 面临更高的技术挑战：数据高度结构化与实时变化并存，任务链路长，工具体系复杂，事实性和严谨性要求高，推理过程需要可追踪、可验证、可控。因此，团队需要围绕 Agent 规划、工具调用、记忆、反思、执行环境、评测体系、强化学习与数据飞轮，系统性提升大模型在复杂金融任务中的能力上限。 职位描述： 1. 负责金融场景下大模型 Agent 工程框架的设计、开发和优化，支撑多工具、多步骤、长链路任务执行； 2. 参与 Agent 系统核心模块建设，包括任务规划、工具路由、函数调用、记忆管理、状态管理、异常恢复和结果校验等； 3. 负责 LLM 推理服务优化，探索并落地 KV Cache 优化、批处理、并发调度、量化、投机推理、模型路由等技术，提升推理效率和成本表现； 4. 基于 vLLM、SGLang、TensorRT-LLM、DeepSpeed、Ray 等框架，优化 Agent 线上服务的稳定性、吞吐、延迟和资源利用率； 5. 建设 Agent 评测与观测体系，包括任务成功率、工具调用准确率、延迟、成本、失败率、异常类型、链路追踪等指标； 6. 与算法团队协作，支持 Agentic Learning、SFT、RL、Reward Model 等训练链路所需的数据采集、轨迹生成、日志回放和实验平台建设； 7. 跟进大模型推理优化、Agent 框架、Tool Use、RL infra、模型服务化等方向的前沿技术，并推动在金融场景中落地。