【实习】BS-风控算法实习生-SH/SZ

根据研究兴趣与能力，参与以下一个或多个方向：

1. 大模型后训练与风险推理 面向风险识别、行为理解和风险研判，参与领域训练数据构建、监督微调（SFT）、强化学习及奖励机制设计，结合专家反馈与高价值难例，提升模型对复杂风险模式和风险边界的理解能力。探索知识蒸馏、多专家能力融合等方法，将Agent探索与专家分析中积累的优质案例和推理经验转化为模型能力，支持高频、批量风险研判，兼顾识别效果、稳定性与推理成本。
2. Agent算法与智能风险分析 调研并实践前沿LLM Agent技术，围绕任务规划（Planning）、知识库与检索增强（Knowledge / RAG）、记忆与上下文管理（Memory）、工具调用及多智能体协同等能力开展优化。结合专家交互与反馈，支持复杂风险分析、新型作弊模式发现、案件研判与策略建议生成，提升分析效率和结果可靠性，并将有效的分析路径沉淀为可复用的知识、工具与工作流程。
3. 深度学习与风险表征 研究行为序列、图及团伙建模方法，优化其在营销欺诈、支付欺诈、商家欺诈等电商风险场景中的应用效果。探索自监督学习、对比学习、生成式建模及无监督/半监督学习等方法，学习用户、设备与团伙的深层行为表征，降低对人工标签的依赖，提升模型在样本稀缺、模式漂移及持续对抗场景下的泛化能力，支持潜在风险与未知作弊模式的发现。

在所参与方向中，开展论文调研、实验设计、效果评测与案例分析，结合精准率、召回率、泛化能力、稳定性和计算成本等指标持续迭代，协助建立可复现的实验与评估流程

1. 计算机、数学、统计学、人工智能等相关专业，2027届或2028届硕士/博士在读，对算法研究及实际业务问题有较强兴趣。
2. 具备扎实的机器学习、深度学习和数学基础，熟悉Python，能够使用PyTorch等主流深度学习框架开展实验，具备良好的编程、数据分析与问题排查能力。
3. 对以下至少一个方向具备研究基础或项目经验：大模型后训练（如SFT、强化学习、奖励建模、知识蒸馏）；LLM Agent与大模型应用（如任务规划、RAG、工具调用、多智能体协同）；行为序列建模、图学习、异常检测、无监督/半监督学习或表征学习。无需同时具备全部方向的经验。
4. 能够阅读英文技术论文，具备清晰的问题抽象、逻辑分析和实验验证能力；愿意理解电商风险场景，探索算法在复杂对抗环境中的能力边界与应用价值。
5. 自驱力强，认真负责，乐于学习和交流，具备良好的沟通协作能力。具有相关科研成果、开源贡献、算法竞赛经历，或风控、大模型训练及Agent项目经验者优先