金融基础大模型算法工程师 (JR2026081000B)

基础模型预训练：设计并实现金融行为序列基础模型的预训练流程，包括预训练目标选型（CLM/MLM/Hybrid）、Tokenization 架构实验（Flat/3D-Transformer/KVT）、Scaling 实验等 多源序列建模：构建支付、出行、外卖、信贷等多域行为数据的统一序列表示，设计并验证数据源混合比对模型效果的影响多实体与多尺度融合：设计 Account-Card 双维度序列建模方案，以及微观行为（毫秒级埋点）与宏观行为（天/周级交易）的跨时间尺度融合架构 消融实验与评估体系：搭建系统化消融实验框架，设计 freeze-backbone + linear head 评估流程，驱动架构决策 落地应用：将预训练表征接入下游风控场景（盗卡检测、信贷评分等），设计 Blending Module 并完成 SFT 微调与在线部署 任职资格必须 / Must Have：（1）计算机、数学、统计等相关专业硕士及以上学历 （2）3 年以上深度学习算法研发经验，有从零搭建预训练模型并完成全流程训练的经历 （3）熟练掌握 Transformer 架构及变体（GPT/BERT/FT-Transformer/MoE），有序列建模实战经验 （4）熟悉至少一种主流深度学习框架（PyTorch 优先），具备分布式训练经验（多卡/多机） （5）具备扎实的实验设计能力：能独立完成消融实验、Scaling Law 实验并得出可靠结论 （6）良好的工程实现能力，能高效迭代模型代码与训练流程优先 / Nice to Have：（1）有金融风控/反欺诈/信贷评分领域建模经验 （2）有 Foundation Model / Self-Supervised Learning 相关论文发表（NeurIPS/ICML/ICLR/KDD/WWW 等） （3）了解对比学习（Contrastive Learning）、ELECTRA、跨模态融合等技术 （4）有时间序列/事件序列建模经验（TimeMixer/TrajGPT 等方向） （5）有图神经网络或图异常检测经验