1.模型微調與優化:基于公司行業知識庫，對預訓練大模型(如LLaMA、GPT、Qwen等)進行領域適配微調，提升模型在行業場景中的任務表現(如問答、推理、文本生成)。
2.數據處理與知識融合:設計并構建行業知識庫的清洗、標注及向量化流程，實現結構化與非結構化數據的高效融合。
3.跨領域協作:與業務部門深度合作，理解行業需求，將模型能力嵌入實際業務場景(如客戶服務、數據分析、智能決策)。
4.性能優化:通過參數高效微調(PEFT)、量化技術(QLORA)等方案降低顯存和計算資源消耗，適配企業級硬件環境。
5.技術研究:跟蹤大模型微調前沿技術(如MOE、持續學習)，探索多模態知識庫與模型結合的創新方案。
6.熟悉主流大模型架構(Transformer、LLaMA、GPT系列)，掌握微調技術(LORA、Adapter、Prefix-Tuning)及工具鏈(Hugging Face、Deepspeed)。熟練使用PyTorch/TensorFlow框架，具備分布式訓練(多GPU/TPU)和顯存優化經驗(如混合精度訓練、梯度檢查點)。精通行業知識庫構建技術，包括但不限于:知識圖譜構建、文本向量化(BERT/Embedding)、RAG(檢索增強生成)。熟悉量化部署技術（如AWQ）及輕量化推理框架（如vLLM、TensorRT-LLM），并了解GGUF等量化模型格式。
7.有公路交通行業投資、建設、運營等垂直領域知識庫項目經驗優先，熟悉行業術語與數據特性。具備多模態數據處理能力(文本、表格、圖像/視頻)，曾參與行業大模型落地項目。