实现网
🤖文本模型算法工程师(游戏故事方向) 远程全职
LLM

【岗位内容】 1. 负责主导在大语言模型基础上进行fine-tune,通过专门的训练数据集进行模型的调整和优化,专注于提升模型在小说创作和角色性格的塑造的表现达到业界领先水平。 2. 配合团队进行数据收集、处理和反馈,以提高模型的准确性和稳定性。 3. 跟踪业界领域前沿技术发展,探索深度学习技术在小说/故事类内容场景下的应用。 【职位要求】 1. 计算机科学、人工智能或相关领域的学士/硕士/博士学位,1-5 年相关工作经验,能尽快开启项目者优先。 2. 扎实的NLP和深度学习理论基础,熟悉Tensorflow或Pytorch等深度学习库,掌握常用的文本数据挖掘、自然语言处理等相关技术,在NLP一个或多个领域有深入研究或实践经验者优先,具备Python编程技能者优先。 3. 熟悉LLM开源社区发展进度,深入理解llama、bloom、opt、chatglm、vicuna等相关模型原理和差异者优先; 4. 小说/影视/动漫爱好者优先,有通过特定预料训练某个人物的AI对话模型的经验者优先。 👾About Us👾 UNFOLD是一个基于LLM、Stable Diffusion等多种AI技术,辅助UGC创作的新型互动内容平台。我们希望为每一个用户带来真正千人千面的游戏,打造一个新世代的内容IP宇宙。产品优先面向北美和日韩市场出海。 💰我们为你提供: 1. 高效敏捷的合作方式:团队互联网行业经验丰富,让你无需进行低效的沟通工作,只需要专注于自己负责的部分。 2. 有竞争力的薪资:我们提供市场竞争力强的薪资以回馈你的贡献和自驱力。 PS: 1.本岗位也接受远程全职/兼职合作 2.我们也在招募团队的算法负责人,负责整体AIGC能力的规划和推进,欢迎本领域的资深算法专家或者TOP高校博士联系我们,一起打造AI Native 的游戏和新一代内容平台

Small acedfa84dfb9c41871a54811dd7c305c
昵称登录后显示 9 个月前发布

预估 1200元 / 8小时

已有1人投递
财务顾问 远程兼职

岗位职责: 1、帮助企业规划,全年可以领取的各类政策补贴,如:返税、社保、培训、招聘等补贴。 2、根据企业招聘贫困人口数量,完成国税抵税政策的解答; 3、负责小规模企业针对不同类型的财务问题提供相应的解决方案; 4、负责一般纳税人企业全年税务筹划咨询服务工作; 5、针对有税务问题的企业负责人及财务人员提供相应的税筹解决方案; 6、协助企业领取国家各项政府补贴,给企业创造额外收入 工作形式; 1、兼职岗位,每天工作时长不超过1.5小时,不限工作地点; 2、以咨询解答企业税务问题为主(先通过电话,后微信沟通。类似咨询顾问、客服等工作性质); 3、利用空余时间解答问题,已有全职工作不影响此兼职工作; 工作流程: 1、企业通过AI系统筛选出有需求、想要了解税筹问题的企业负责人或部门负责人; 2、公司将想要咨询的企业负责人或部门负责人的问题及联系方式给到财税兼职老师; 3、兼职老师根据企业的问题,以电话回访或微信给企业设计相应的税筹方案,补贴方案; 4、企业确认并采纳我们的方案。 任职要求: 1、大专以上学历,有一年以上财务岗位工作经验,从事财务管理岗位优先录取。 2、有良好的统筹规划能力,逻辑分析能力 3、性格开朗,思维敏捷,语言组织能力较好,有很强的的目标感; 工作安排: 1、参加集中面试,详细了解公司经营模式、兼职工资岗位、岗位薪金、结算方式; 2、参加公司组织的免费岗前培训,学习当地所有的政策补贴和30多种节税方案; 3、参加公司组织的岗前培训考核,考核通过,签订合作协议; 4、开展兼职工作,工作时间由兼职工作人员自行安排。 注:从集中面试到入职工作,所有岗前培训完全免费,培训完不参加考核或者不做此工作,公司也不会收取任何费用,培训即为筛选人才。

Small 617159be2026422f8a0c2b319d690760
昵称登录后显示 10 个月前发布

预估 10000 元

软件开发工程师(兼职) 远程兼职
python
PHP
JAVA

核心需求 对指定的新闻文章的内容进行智能判断,提取出文章描述关键字和态度。新闻文章来源爬虫爬取的各新闻网站、微信公众号的。关键字是某单位主体的名称、简称,高校居多。如北京大学、北大,清华大学、清华。 文章的态度即是文本的情感态度,分为以下三种情况: 正面:文章对单位主体的认可赞美的。 中立:文章对单位主体进行客观真实的介绍,不包含个人立场。 负面:文章对单位主体不认可,进行批评指责甚至是恶意抹黑。 判断标准要能接近人工识别的标准,至少是让人看上去是相关的。 以下是开发中的用户界面 主要问题 在关键字提取时,像这些都是正文含有北京大学,情绪偏负面的。但是主体内容和北京大学无关的内容,是不需要的。要想办法过滤掉。这样用户一眼看过去相关度就高了。也就容易接受使用了。解决舆情系统误报问题,最终让舆情系统的检测更准确。 举例来说: 正文里面含有北京大学,但是整体文章和“北京大学”无关。造成误报。根本需求就是提高相关性,降低误报。 示例样本 根据识别是否正确,分为正样本(可以正确判断的样本)和负样本(会识别错误的样本)。 正样本 以下样本能够正确识别含有北京大学、或者北大的匹配的样本。 https://dy.163.com/article/HP3596OB0553THOL.html https://3g.163.com/dy/article/HH4N4H660536LOE0.html https://dy.163.com/article/HNE5U0TC0552UVEN.html https://www.cn-healthcare.com/article/20200619/content-538308.html 负样本 负样本主要有三类 第一类的可能是分词造成的。比如下面的含有“北大”,但是不是我们需要的北京大学的“北大”。 https://news.sina.com.cn/s/2022-12-19/doc-imxxeieh3862464.shtml http://www.zhuzhouwang.com/2020/1229/394854.shtml https://www.sznews.com/news/content/2022-12/19/content_25525650.htm 第二类,含有“北京大学”,但是这个新闻和北京大学没关系。 https://news.hangzhou.com.cn/shxw/content/2022-12/19/content_8429260.htm http://www.jiaodong.net/news/system/2022/12/17/014530967.shtml https://www.ztnews.net/article/show-393527.html http://news.66wz.com/system/2022/12/17/105529619.shtml https://hb.ifeng.com/c/8LlaffrCHQj 第三类,含有“北京大学”,内容也匹配。但是情感分析不准确。 对于已标记的数据,我们目前的训练结果准确度能达到90%多,但是对于未标记的数据,还是会有误判的情况。希望合作方能给出更好的解决方案。 最终输出: 合作者最好有过舆情开发经验,能提供以前的项目进行对比查看。如果是全新开发需能提供初步测试的demo进行在线测试。确定可行,提供整体的解决方案,架构设计,程序源码。

Small cba1699d3a0e0e1fb46e7e468cb9d793
昵称登录后显示 10 个月前发布

预估 40000 元

已有1人投递

我是技术人才
我在寻找远程工作

技术人才入驻

我是创业者
我在寻找技术人才

发布用人需求