岗位职责
研究领域： 自然语言处理 项目简介： 尽管大语言模型（LLM）在各类生成任务中表现亮眼，但其“参数化记忆”带来的幻觉，已成为金融合规等高问责场景落地的最大障碍。 幻觉根源：事实离散存储于参数，缺乏显式一致性与可追溯路径； 知识碎片：多跳推理时，中间证据被“跳步”压缩，导致逻辑断层； 图结构（KG、DAG、异构图）天然具备“节点显式承载事实、边显式承载关系”的特性，为上述问题提供了结构化解法。然而，如何“让 LLM 像使用参数一样使用图”仍缺乏系统框架，亟需解决以下问题： Q
- 图拓扑构建：如何把用户信息、外部知识映射到同一向量基底，实现多源信息的检索与融合； Q
- 图拓扑注入：如何在无需重训LLM的前提下，将图结构注入生成过程，抑制幻觉； Q
- 图驱动探索：如何利用图的局部与全局拓扑，引导LLM进行多跳推理、错误回溯。
职位要求
研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作
