时序基础模型（TSFM）算法工

【团队定位与业务场景】 我们致力于构建基于大模型的智能决策预测引擎。核心业务涵盖短视频平台的内容爆款预测与大宗商品跨市场趋势推演。你将参与核心预测引擎的架构设计与演进，利用时序大模型处理非线性动力学特征并融合跨模态数据。 【核心职责】 1. 前沿架构落地： 跟踪并复现最新的时序大模型（如 TimesFM, Chronos, MOIRAI 等），负责基座模型的本地部署、微调（Fine-tuning）与推理性能优化。 2. 跨模态与重编程 (Chronos路线)： 研发时序重编程架构，将视频文本/视觉标签、宏观经济事件等非结构化数据与时序 Token 进行特征对齐，构建联合预测模型。 3. 异构频次底座研发 (MOIRAI路线)： 处理多变量（Any-variate）和任意频率（Any-frequency）的预测问题，解决短视频冷启动数据与大宗商品高频数据在模型底层的融合难题。 4. 业务特征抽象： 深入分析短视频流量爆发机制或大宗商品价格波动逻辑，将业务层面的动态博弈转化为模型可学习的数学与时序特征。 【任职要求】 • 自驱力与探索欲： 学历不限（欢迎在校生）。对 AI 和时序基础模型（TSFM）领域有浓厚兴趣，具备持续追踪前沿论文（ArXiv）和开源社区动态的习惯。 • 细分领域的实战经验： 在“时序基础模型”或“跨模态预测”方向有扎实的动手开发经验。 需满足以下一项或多项： ◦ 跑通过 TimesFM / Chronos / MOIRAI / PatchTST 等主流模型的开源代码并了解底层机制。 ◦ 熟悉并实操过时序数据的 Tokenization（分块化、词表映射等）。 ◦ 具备对开源 LLM 进行时序维度改造或微调的实际经验。 • 逻辑分析能力： 能够清晰地解构复杂业务系统，具备将商业逻辑抽象为算法模型架构的能力。 • 基础工程能力： 熟练掌握 PyTorch 或 Hugging Face 生态，能编写高效、规范的模型训练与推理代码。 【加分项】 • 在 GitHub 有相关的高质量开源项目，或向主流 AI 框架贡献过代码。 • 在 Kaggle 等数据科学竞赛的时间序列预测、量化交易或推荐系统赛道取得过优异成绩（Top 10%）。 • 有独立训练并跑通特定业务场景时序大模型的完整经验。