工作内容： 1. 进行大模型的应用探索；包括但不限于，大模型辅助生成标签；大模型风险PD探索；大模型进行信息压缩与提取；以及复杂场景下的多agent工作流设计（如Agent-RAG等） 2. 进行关系人网络应用的探索和研究；在包括但不限于用户画像，贷前贷中风险建模场景，应用含标签扩散、特征工程聚合、图神经网络、图嵌入算法、社区发现，图聚类算法等方向模型或算法，提高当前主模型的性能或覆盖度 3. 进行因果推断相关研究，在利率&额度相对于风险&响应弹性上进行建模算法研究 4. 进行序列模型相关研究，包括但不限于历史金融序列数据，历史消费序列数据，文本数据，文本列表等等数据挖掘 5. 进行表示学习相关研究，包括预训练、端到端训练等 要求： 1. 统计学&计算机基础扎实，相关专业优先 2. 对常用机器学习&深度学习理论具有深入了解，研究方向与大模型、图算法（包括传统图算法及图神经网络相关算法）、序列模型，因果推断，迁移学习等领域相关优先 3. 具有相关实习经验或较强工程落地能力优先，具有顶会论文，大型比赛项目（kaggle&天池等）优先 4. 实习3-6个月以上优先，27届毕业生优先