【北斗】大模型算法工程师（金融场景）

北京/上海 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

【任职资格】
1.优秀的探索与创新能力，在ACL/EMNLP/NAACL/NeurIPS/ICML/ICLR等顶级会议上发表论文者优先；
2.扎实的算法功底，在ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先；
3.对大模型前沿算法有热情，有较强的自驱力和良好的动手实践能力，对新事物有强烈的好奇心；
4.有大模型训练（预训练/微调/对齐）或强化学习有实际项目经验。
【为什么是我们】
1.团队致力于大模型在金融场景中全链路的应用落地，场景丰富、价值明确，技术做功空间大；
2.海量的数据与充足的算力，支持全方位的技术攻坚与创新探索；
3.团队内技术氛围浓厚，拥有先进的大模型落地经验，成员大多来自国内外名校，对新人有健全的培养体系。

岗位描述

【岗位职责】

【愿景】

构建以大模型算法为核心的金融 AI 智能体体系，打通“理解—推理—决策—执行—反馈”的全链路闭环。通过 LLM 理解用户意图与业务上下文，通过 SFT/RL 等算法提升金融场景专业能力，通过 Agent 进行任务规划、策略选择与工具调用，动态生成话术、方案和决策建议，持续基于评测与线上反馈自我优化，推动金融业务走向智能体时代。

【职责】

负责金融场景的大模型的研发和应用，研究相关技术在AI营销、AI风控、AI客服、AI催收领域的落地价值和解决方案，通过AI赋能业务，大幅提升业务在智能交互、智能决策场景下的效果。

研究方向一：基于大模型的多轮对话理解与生成

1.深入参与对话机器人在数据建设、指令微调、偏好对齐、强化学习、推理优化等环节的建设；
2.研究和解决大模型落地的关键问题，如检索增强、长文本理解、模型小型化技术等，并提升训练-评测的迭代效率。

研究方向二：大模型智能体算法研究

1.负责基于大模型的智能体架构构建，实现复杂问题的理解规划、工具执行以及感知反思能力；
2.探索最前沿技术，设计算法迭代飞轮，优化大模型基础模型，高效提升模型效果。

【任职要求】

【任职资格】

1.优秀的探索与创新能力，在ACL/EMNLP/NAACL/NeurIPS/ICML/ICLR等顶级会议上发表论文者优先；
2.扎实的算法功底，在ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先；
3.对大模型前沿算法有热情，有较强的自驱力和良好的动手实践能力，对新事物有强烈的好奇心；
4.有大模型训练（预训练/微调/对齐）或强化学习有实际项目经验。

【为什么是我们】

1.团队致力于大模型在金融场景中全链路的应用落地，场景丰富、价值明确，技术做功空间大；
2.海量的数据与充足的算力，支持全方位的技术攻坚与创新探索；
3.团队内技术氛围浓厚，拥有先进的大模型落地经验，成员大多来自国内外名校，对新人有健全的培养体系。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →