岗位职责
- 负责芝麻信用场景下结构化数据（行为序列、关系网络、多源信用记录）与大模型的融合算法研发，提升大模型对结构化信用数据的理解与推理能力；
- 探索结构化多模数据预训练、后训练等前沿方法，并推动其在信用评估、风险识别等场景落地；
- 负责从数据构建、Prompt 工程、SFT/RLHF 微调到线上部署的全链路工程落地，并与产品、风控、运营团队协作推动业务应用。
职位要求
- 具有 3 年以上机器学习 /深度学习相关工作经验，算法功底扎实，熟悉序列建模、表格类神经网络（如TabPFN、Limix、Tabm）、推荐系统精排模型（如rankmixer、onetrans）等工作，能独立完成模型结构选型与设计；
- 具有多任务 / 多场景统一建模实战经验，理解参数共享、任务冲突与负迁移，熟悉门控 /专家混合类多任务架构，能设计兼顾多场景共享增益与场景特化的统一模型；
- 熟悉业界前沿的统一建模及预训练范式、尤其是在各垂直领域（风控 / 营销 / 推荐）的应用进展，能将前沿方法结合业务落地；
- 具有海量样本、多卡训练的调参经验，能独立设计学习率、采样、加权、早停等训练策略；熟悉混合精度训练，能定位并治理数值溢出、梯度异常、训练发散等稳定性问题；
- 熟练掌握训练性能瓶颈定位与优化，能区分算力、数据吞吐、IO、并行等不同根因； 6 具备风控领域基础知识，熟悉KS、AUC、坏率、评分档位与评分迁移等核心业务指标，能理解不同风险场景在样本与风险类型上的差异；
- 熟练使用主流大数据 / 数仓平台与 SQL 进行特征加工、样本构建与数据探查；Python与深度学习框架功底扎实，具备良好的代码规范。
