中国平安
算法工程师-大模型
算法工程师-大模型
发布于 大约 17 小时前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
硕士
NLP
PyTorch
模型蒸馏
大语言模型
金融科技
工程化部署
RLHF
量化压缩
Sft微调
AI 估算 · 30k–50k
大模型人才稀缺，行业薪资水平高，深圳互联网大厂竞争力强
职位详情
关于这个职位
这是一个在大厂从事大模型算法研发的职位，主要针对金融保险场景（如智能客服、风险管控）进行模型优化与落地
你需要掌握SFT、RLHF等技术，并参与从训练到部署的全流程
适合有1-5年经验、热爱前沿技术的算法工程师
最低要求
硕士及以上学历，计算机、人工智能等相关专业
-5年大模型算法或NLP经验
精通大语言模型原理及微调技术
扎实的机器学习/深度学习基础
精通Python及PyTorch/TensorFlow
有大模型工程化落地经验
工作职责
大模型算法研发与优化：针对保险营销、智能客服、风险管控、业务数据分析等场景，开展大语言模型、多模态大模型的算法设计与迭代，熟练运用SFT微调、Prompt工程、模型蒸馏、RLHF、量化压缩等技术，优化模型效果、推理速度与资源占用率
项目落地与工程化实现：负责大模型应用项目的算法落地，对接业务团队梳理需求，制定技术实施方案，完成模型训练、验证、调试与迭代，协同工程开发团队完成模型部署、接口封装与线上适配
业务场景适配与效果提升：深入理解金融科技业务逻辑，将通用大模型能力与垂直业务场景深度融合，开发定制化应用模块，持续跟踪线上模型效果并优化
技术调研与方案沉淀：跟踪大模型前沿技术动态，调研先进算法框架与落地案例，梳理技术难点与解决方案，形成技术文档与规范
优先资格
博士学历优先
有完整大模型应用项目落地经验者优先
AI 洞察
优缺点分析
- 身处大厂金融科技核心，接触海量业务数据与真实场景，技术落地价值高
- 专注于最前沿的大模型技术（SFT、RLHF等），技能积累紧跟行业趋势，市场竞争力强
- 公司平台大，资源丰富，有机会参与行业内顶级项目，拓宽技术视野
- 薪资待遇优厚，大厂福利完善，职业发展空间清晰
- 金融业务对模型准确性、稳定性要求极高，技术挑战大，容错率低
- 大模型研发周期长，项目节奏快，可能面临高强度工作压力
- 技术迭代迅猛，需要持续学习新框架、新算法，保持自我驱动力
- 适合对NLP和大模型有浓厚兴趣、技术功底扎实、能适应快节奏和强压力的求职者，尤其适合希望在金融科技领域深耕的技术人才
角色解读
- 技术纵深发展：从算法工程师晋升为高级算法专家、首席科学家，专注于大模型底层创新
- 横向扩展：向AI架构师或技术负责人发展，负责多个业务线的AI解决方案设计
- 管理路径：带领算法团队，担任技术总监或AI部门负责人，统筹技术战略与业务落地
- 负责大语言模型及多模态大模型的算法研究与优化，针对保险、客服等场景提升模型效果与推理效率
- 推动大模型项目从研发到落地，包括需求梳理、模型训练、部署上线及线上效果跟踪
- 结合金融科技业务需求，开发定制化应用模块如智能问答、文档解析、风险预警等
- 跟踪前沿技术，引进先进框架，沉淀技术方案与团队赋能
- 精通大语言模型原理及主流架构（GPT、LLaMA、Qwen等），掌握SFT、RLHF、模型压缩等关键技术
- 扎实的机器学习与深度学习基础，熟悉NLP核心算法（文本分类、语义理解、生成式AI）
- 熟练使用Python及PyTorch/TensorFlow，具备模型训练与部署的工程能力
- 了解Docker、CUDA、TensorRT等工具，能独立完成模型落地全流程
申请策略
- 简历中最好包含一个完整的项目案例，从数据准备到上线维护
- 投递前了解平安金融科技的业务方向（如寿险、产险、银行科技），在面试中展现行业理解
- 突出大模型相关项目经验，特别是从0到1的落地案例，量化模型效果提升指标
- 强调掌握的核心技术：SFT微调、RLHF、模型蒸馏等，并附上具体应用场景
- 展示工程化能力：模型部署、推理优化、线上监控等，体现全流程掌控力
- 如有顶会论文或开源贡献，务必突显，这是加分项
- 若尚未接触RLHF或模型量化，可提前学习相关算法及工具（如DeepSpeed、vLLM）
- 补充金融业务知识，理解保险、风控等场景的数据特点和需求
面试指南
- 项目类问题采用STAR原则：背景（Situation）→任务（Task）→行动（Action）→结果（Result），重点突出技术难点和你的贡献
- 原理类问题先清晰解释核心概念，再结合个人经验说明应用中的权衡（如效果与效率的平衡）
- 场景问题应从业务理解出发，先分析需求，再设计方案，最后说明如何验证和迭代
- 请详细描述你参与的一个大模型微调项目，包括数据构建、模型选择、调参过程和效果评估
- RLHF的原理是什么？你在实践中遇到过哪些问题？如何解决reward hacking？
- 如何降低大模型推理延迟？请列举几种模型压缩或加速方法及其优缺点
- 在处理金融领域的智能客服时，如何保证模型输出的合规性和准确性？
- 你对当前主流大模型（如GPT-4、LLaMA）的架构差异有什么看法？
匹配度报告
70
综合匹配度
大厂大模型岗，技术前沿薪资高，但工作节奏快
适合人群
适合追求技术成长和职业发展的求职者，能接受快节奏工作环境的优先考虑。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利匹配
75中等
大厂薪资水平较高，且大模型岗位市场溢价明显，但JD未明确薪酬福利，因此判断为中等偏上满足。
薪资信号未披露 (30K-50K/月)
成长发展匹配
85较高
职位涉及最前沿的大模型技术（SFT、RLHF等），项目落地机会多，能快速积累核心技能，发展空间大。
技术前沿前沿/新兴技术
技术栈大语言模型、SFT微调、RLHF、模型蒸馏、量化压缩、Python、PyTorch
业务类型profit_center
工作生活匹配
50较低
仅现场办公，深圳科技园地段，大厂通常节奏较快，JD未提及WLB，因此判断一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
70中等
金融科技行业稳定，但工作侧重业务价值而非社会使命，属于中性。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs