研究型实习生-支付基座大模型研究

岗位职责

研究领域： 大模型 项目简介： 在全球化贸易与跨境消费持续深化的背景下，国际卡支付已成为连接全球市场、促进资金跨境流动的核心基础设施，其业务覆盖线上电商购物、线下跨境商旅、企业间跨境结算等多元场景，日均交易规模达数十亿笔，涉及用户、商户、交易终端、发卡行、收单行、国际卡组织等多类实体。在这一复杂场景中，风险防控是保障国际卡支付体系安全稳定运行的核心环节，黑产往往通过分散化的用户账号、关联化的商户网络、跨地域的终端布局伪装成正常交易，传统风控模式依赖人工排查单条交易记录或孤立分析用户行，不仅难以捕捉实体间的隐性关联，更面临“人力成本高（单条风险线索排查需数小时）、响应效率低（欺诈发生后数天才能追溯源头）、误判率高（正常跨境消费易被误拦截）”的三重困境。

支付相关的多源异构数据较多，其高效整合成为解锁AI跨模态认知的关键挑战。我们的目标是利用大语言模型的成功经验，训练支付场景的基座模型，解决风险防控问题的同时，提升支付成功率。其特色包括表格、序列、图三个模态的编码器设计、多模态融合与对齐、预训练及后训练任务设计。

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作

特色标签

C/C++、Golang、Java、Python、Shell、SQL、交易、分布式训练、发表算法相关优秀论文、商户、国际卡支付、基座模型、多模态算法、大数据处理工具(Spark/Hadoop/Hive)、大模型算法、大语言模型、并行计算、指令微调、支付、有监督微调、监督微调、算法工程化经验、结算、自然语言处理算法、自监督预训练、表格-序列-图多模态、跨境、跨境支付、跨模态、金融、预训练模型、风控、风控算法、风险识别、风险识别与拦截