工作内容：

参与RAG（Retrieval-Augmented Generation）问答系统及Agent的研发，开发和优化基于 大模型、Hugging Face Transformers 的大语言模型解决方案。
向量检索（Vector Search） 系统设计，结合 Pinecone 和 Elasticsearch 提升文档检索准确性。
实现文档自动化问题生成模块，为上传文档生成潜在问题列表，提高问答匹配率。
自然语言生成（NLG） 优化，提升多版本答案生成的流畅度和语义一致性。
与前端和后端团队协作，支持用户反馈数据的持续模型优化。

欢迎预约暑期实习

我们希望你具备以下能力：

基本要求：
- 计算机科学、人工智能或相关专业硕士或博士在读。
- 熟悉 **NLP、深度学习和信息检索**，有基于 Transformer 模型的开发经验。
- 掌握排序模型和重排序技术（如 Cross Encoder、Tensor Reranker）。
- 熟悉 向量检索和混合搜索技术，有 Pinecone、Qdrant、Elasticsearch 相关经验优先。
- 有多来源信息融合与结果聚合算法经验，熟悉 LLM 和小模型的答案生成与优化机制。
- 多模态数据处理经验优先（如 CLIP、BLIP 模型等）。

---

项目经验要求（优先考虑参与过以下项目的候选人）：
- 多来源信息融合项目：如大模型、小模型和用户生成内容的结果聚合与排序优化。
- 多模态数据检索项目：图像、视频、音频与文本数据融合检索项目。
- RAG 架构实战经验：有 GraphRAG、HybridRAG 技术应用经验优先。
- 个性化推荐或答案可信度评分项目经验。

---

**加分项：
- 参与过多用户协作知识检索系统项目。
- 了解语义鸿沟解决方案及多跳问答技术。
- 熟悉多模态数据预处理、语义解析和特征提取工具链。
- 有 LLM 小模型微调或多模态生成模型的开发经验。