岗位职责
- 负责多模态大模型内容风控场景中的算法研究、模型训练与业务落地。面向内容风控场景频繁对抗攻击、AIGC违规变体、隐晦风险场景等难点，持续提升复杂场景的识别效果与响应效率。
- 负责面向内容风控场景的 Agent智能体系统研发，支持安全识别链路自主规划、安全工具调用、大小模型协同、风险发现与智能迭代，提升对新型违规内容的主动发现与响应能力。
- 负责大模型与agent算法压缩、加速与部署，优化服务性能与并发能力。负责大模型与Agent的自我反思与持续学习机制与解决方案设计，不断基于反馈敏捷增量提升识别能力。
- 根据大模型与agent领域的最新技术进展，探索其在内容风控场景的价值，持续提升面向复杂场景的内容风控识别效果。
职位要求
- 计算机科学、人工智能、电子信息等相关专业，硕士及以上，博士优先。
- 8年以上算法相关经验，其中3年以上大模型或多模态算法研发与业务落地经验。
- 深入掌握Transformer、Attention、LoRA、MoE、SFT、RLHF 等大模型核心概念与关键技术，并深入理解 BLIP、CLIP、LLaVA 等多模态大模型的架构设计与跨模态对齐机制，有相关算法完整的落地与优化经验。能根据垂直业务场景难点与要求，定向对大模型进行训练与优化。
- 深入掌握ReAct、CoT、RAG、Multi-Agent等核心范式，熟练掌握LangChain、LangGraph、AutoGen、CrewAI等至少一种Agent框架，有实际落地基于Tool Use、Plan-and-Execute、Multi-Agent协作的项目。
- 熟悉vLLM、Ollama、TensorRT-LLM、DeepSpeed、 RTP-LLM等大模型部署框架。了解量化、蒸馏、KV Cache、PagedAttention等大模型部署与性能优化相关技术。有大模型线上部署与性能优化相关经验。能针对具体场景的数据与业务特点，优化大模型部署性能。
- 跟进前沿算法技术发展，具有较好的算法创新与业务落地能力，在某一多模态大模型细分算法领域(Generalized Few-Shot Learning、Hallucination、Cross-modal Alignment、Customed Generation、Prompt Evolution等)有深入的探索、研究与创新，有顶会论文发表者优先，能通过算法探索创新在业务场景带来价值。
