岗位职责
- 金融任务建模与模型能力研究 从AI研究员角度，与金融领域专家深入协作，围绕投研、估值、财务分析等真实金融任务，研究金融大模型的能力边界与关键不足；将专业问题、专家经验和工作方法转化为可评测、可训练的任务，设计任务难度、评价标准及实验方案，明确需要通过数据建设提升的模型能力。
- 高质量后训练数据合成与构建 围绕金融大模型的能力目标，与金融领域专家协作，将专业知识、真实任务和专家经验转化为高质量后训练数据；设计并实现基于大模型、Agent及专业工具协同的数据生产管线，覆盖任务生成、推理与执行轨迹合成、自动筛选、质量校验及专家反馈迭代，构建支持复杂推理、工具使用和多步任务执行的金融训练数据集，并持续优化数据质量、生产效率与规模化能力。
- 金融Benchmark与自动化评测流程构建 围绕真实金融作业场景与模型能力需求，与金融领域专家共同构建Benchmark，包括评测任务、独立评测数据集、参考答案或评价标准、评分机制，以及任务所需的工具与交互环境；设计并实现AI辅助的评测任务生成、质量校验、评测执行与结果分析流程，结合专家校准提升评测的专业性、可靠性与可复现性，为模型能力诊断和训练数据有效性验证提供支撑。
- 开源模型训练与数据有效性验证 围绕数据对模型能力的实际价值验证，独立开展基于开源大模型的微调及相关后训练实验；通过基线对比、对照实验和消融分析，进行数据有效性验证，并持续迭代数据策略。
职位要求
- 具备3年以上机器学习、自然语言处理或大模型相关研究、研发经验，在数据合成、大模型后训练、复杂推理、Agent或模型评测等至少一个方向具有深入实践。
- 深入理解 Transformer 架构及 SFT、RLHF、DPO、PPO、GRPO 等算法；具有大模型后训练实验的实际经验，能够完成数据准备、训练配置、实验执行、问题排查与效果分析。
- 熟练掌握Python及PyTorch等常用深度学习框架，具备良好的研究实现能力，能够将研究思路转化为可运行、可复现的数据合成与训练评测流程。
- 具备较强的研究探索和实验分析能力，能够阅读、复现相关研究，提出可验证的研究假设，设计对照实验，并根据实验结果分析数据的有效性及适用边界；能够识别数据泄漏、评测偏差等影响结论可靠性的问题。
- 具备良好的跨领域学习与协作能力，能够与金融专家共同拆解复杂问题，将专业知识与AI技术结合；具有较强的好奇心、自驱力和问题解决能力，能够独立推进研究并推动成果落地。
- 计算机、人工智能、数学、统计学等相关专业。 加分项
- 具有金融大模型、金融Agent或投研、估值、财务分析等相关项目经验。
- 在 NeurIPS、ICML、ICLR、ACL 等高水平学术会议发表论文，或 Kaggle、ACM 竞赛获奖者优先。
