Amatsukaze
AI算法工程师
拜尔 · 2年经验
日薪：
￥1000/8h
地点：
上海 卢湾
时间：
下班后
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
主要精通Python语言，熟悉各类CV算法，包括但不限于yolo，opencv，OCR, 各类分割算法，熟悉数据标注，模型训练，调优，量化部署的全过程。熟悉LLM相关技术，熟悉unsloth，llamafactory来做模型微调，CPT,SFT,强化学习算法GRPO,DPO等。熟悉vllm，lmdeploy等推理框架，熟悉fastapi，做模型私有化部署。熟悉autoawq，MXFP4, NVFP4，fp8等量化技术。熟悉Linux，docker。kaggle竞赛 AIMO2 15名。
项目经验
基于 YOLO 的番茄果串识别系统
负责从数据采集、标注、模型训练到边缘部署的一体化实现。构建了包含约1万张多光照、多角度、遮挡样本的标注数据集，采用 YOLO 系列目标检测网络（针对果串结构做 anchor 与多尺度改进），结合强鲁棒的数据增强（色变、仿射、雾化）和在线 hard-example mining，提高模型对重叠果串与遮挡的识别能力。通过后处理将单果检测结果聚合为果串（基于聚类与空间约束），实现实时推断：服务器端 mAP@0.5 ≈ 92%，在 RTX/Jetson 两种平台分别达到 ~40 FPS / ~15 FPS。系统已接入分拣/采摘指令输出接口，显著提升分拣准确率与自动化率，支持 OTA 模型迭代与在线监控告警。
企业级 AI 知识库系统（RAG + 多模态检索）
搭建面向企业文档的知识管理与问答平台：设计了文档采集/清洗管道（PDF、PPT、Excel、内部 Wiki、邮件），采用高质量嵌入模型进行向量化并存入向量数据库（支持 Milvus/Pinecone 等），实现 Retrieval-Augmented Generation（RAG）检索＋生成混合的问答服务。为保证回答准确性，加入基于证据的回答回溯、置信度阈值与多条检索候选合并策略；并实现细粒度权限控制与审计日志。上线后在内部客服/知识检索场景中，自动化回复正确率（经人工抽检）达到 ~88%，单次查询延迟可控在 <200ms，工单首次解决率提升显著，平均工单处理时间下降约60%。系统支持版本化语料、增量索引与模型可插拔升级。
基于 AI 的代码生成与工程师助理系统
设计并实现了一个面向企业工程流程的代码生成平台，核心包括：语义检索上下文召回（项目 repo + issue + PR 历史）、小样本/LoRA 微调策略、代码语义校验与自动化单元测试生成。采用混合数据集（公开仓库 + 内部样例）训练代码生成模型并结合静态扫描与安全规则过滤器，防止生成存在明显安全缺陷的片段。在 CI 中集成生成→测试→静态分析→人审的闭环，支持按仓库/语言定制化模型。上线实验数据显示：常见模板化任务（CRUD、接口对接、迁移脚本）代码交付率与首次通过率显著提升，平均开发周期缩短约2–3倍，代码审查时间明显下降。系统同时提供插件化 IDE 扩展与 API 供内部工具调用，支持持续学习与指标化监控（通过率、回滚率、用户满意度）。
负责从数据采集、标注、模型训练到边缘部署的一体化实现。构建了包含约1万张多光照、多角度、遮挡样本的标注数据集，采用 YOLO 系列目标检测网络（针对果串结构做 anchor 与多尺度改进），结合强鲁棒的数据增强（色变、仿射、雾化）和在线 hard-example mining，提高模型对重叠果串与遮挡的识别能力。通过后处理将单果检测结果聚合为果串（基于聚类与空间约束），实现实时推断：服务器端 mAP@0.5 ≈ 92%，在 RTX/Jetson 两种平台分别达到 ~40 FPS / ~15 FPS。系统已接入分拣/采摘指令输出接口，显著提升分拣准确率与自动化率，支持 OTA 模型迭代与在线监控告警。
企业级 AI 知识库系统（RAG + 多模态检索）
搭建面向企业文档的知识管理与问答平台：设计了文档采集/清洗管道（PDF、PPT、Excel、内部 Wiki、邮件），采用高质量嵌入模型进行向量化并存入向量数据库（支持 Milvus/Pinecone 等），实现 Retrieval-Augmented Generation（RAG）检索＋生成混合的问答服务。为保证回答准确性，加入基于证据的回答回溯、置信度阈值与多条检索候选合并策略；并实现细粒度权限控制与审计日志。上线后在内部客服/知识检索场景中，自动化回复正确率（经人工抽检）达到 ~88%，单次查询延迟可控在 <200ms，工单首次解决率提升显著，平均工单处理时间下降约60%。系统支持版本化语料、增量索引与模型可插拔升级。
基于 AI 的代码生成与工程师助理系统
设计并实现了一个面向企业工程流程的代码生成平台，核心包括：语义检索上下文召回（项目 repo + issue + PR 历史）、小样本/LoRA 微调策略、代码语义校验与自动化单元测试生成。采用混合数据集（公开仓库 + 内部样例）训练代码生成模型并结合静态扫描与安全规则过滤器，防止生成存在明显安全缺陷的片段。在 CI 中集成生成→测试→静态分析→人审的闭环，支持按仓库/语言定制化模型。上线实验数据显示：常见模板化任务（CRUD、接口对接、迁移脚本）代码交付率与首次通过率显著提升，平均开发周期缩短约2–3倍，代码审查时间明显下降。系统同时提供插件化 IDE 扩展与 API 供内部工具调用，支持持续学习与指标化监控（通过率、回滚率、用户满意度）。
Amatsukaze
AI算法工程师 · 2年经验 · 拜尔
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
主要精通Python语言，熟悉各类CV算法，包括但不限于yolo，opencv，OCR, 各类分割算法，熟悉数据标注，模型训练，调优，量化部署的全过程。熟悉LLM相关技术，熟悉unsloth，llamafactory来做模型微调，CPT,SFT,强化学习算法GRPO,DPO等。熟悉vllm，lmdeploy等推理框架，熟悉fastapi，做模型私有化部署。熟悉autoawq，MXFP4, NVFP4，fp8等量化技术。熟悉Linux，docker。kaggle竞赛 AIMO2 15名。
项目经验
基于 YOLO 的番茄果串识别系统
负责从数据采集、标注、模型训练到边缘部署的一体化实现。构建了包含约1万张多光照、多角度、遮挡样本的标注数据集，采用 YOLO 系列目标检测网络（针对果串结构做 anchor 与多尺度改进），结合强鲁棒的数据增强（色变、仿射、雾化）和在线 hard-example mining，提高模型对重叠果串与遮挡的识别能力。通过后处理将单果检测结果聚合为果串（基于聚类与空间约束），实现实时推断：服务器端 mAP@0.5 ≈ 92%，在 RTX/Jetson 两种平台分别达到 ~40 FPS / ~15 FPS。系统已接入分拣/采摘指令输出接口，显著提升分拣准确率与自动化率，支持 OTA 模型迭代与在线监控告警。
企业级 AI 知识库系统（RAG + 多模态检索）
搭建面向企业文档的知识管理与问答平台：设计了文档采集/清洗管道（PDF、PPT、Excel、内部 Wiki、邮件），采用高质量嵌入模型进行向量化并存入向量数据库（支持 Milvus/Pinecone 等），实现 Retrieval-Augmented Generation（RAG）检索＋生成混合的问答服务。为保证回答准确性，加入基于证据的回答回溯、置信度阈值与多条检索候选合并策略；并实现细粒度权限控制与审计日志。上线后在内部客服/知识检索场景中，自动化回复正确率（经人工抽检）达到 ~88%，单次查询延迟可控在 <200ms，工单首次解决率提升显著，平均工单处理时间下降约60%。系统支持版本化语料、增量索引与模型可插拔升级。
基于 AI 的代码生成与工程师助理系统
设计并实现了一个面向企业工程流程的代码生成平台，核心包括：语义检索上下文召回（项目 repo + issue + PR 历史）、小样本/LoRA 微调策略、代码语义校验与自动化单元测试生成。采用混合数据集（公开仓库 + 内部样例）训练代码生成模型并结合静态扫描与安全规则过滤器，防止生成存在明显安全缺陷的片段。在 CI 中集成生成→测试→静态分析→人审的闭环，支持按仓库/语言定制化模型。上线实验数据显示：常见模板化任务（CRUD、接口对接、迁移脚本）代码交付率与首次通过率显著提升，平均开发周期缩短约2–3倍，代码审查时间明显下降。系统同时提供插件化 IDE 扩展与 API 供内部工具调用，支持持续学习与指标化监控（通过率、回滚率、用户满意度）。
负责从数据采集、标注、模型训练到边缘部署的一体化实现。构建了包含约1万张多光照、多角度、遮挡样本的标注数据集，采用 YOLO 系列目标检测网络（针对果串结构做 anchor 与多尺度改进），结合强鲁棒的数据增强（色变、仿射、雾化）和在线 hard-example mining，提高模型对重叠果串与遮挡的识别能力。通过后处理将单果检测结果聚合为果串（基于聚类与空间约束），实现实时推断：服务器端 mAP@0.5 ≈ 92%，在 RTX/Jetson 两种平台分别达到 ~40 FPS / ~15 FPS。系统已接入分拣/采摘指令输出接口，显著提升分拣准确率与自动化率，支持 OTA 模型迭代与在线监控告警。
企业级 AI 知识库系统（RAG + 多模态检索）
搭建面向企业文档的知识管理与问答平台：设计了文档采集/清洗管道（PDF、PPT、Excel、内部 Wiki、邮件），采用高质量嵌入模型进行向量化并存入向量数据库（支持 Milvus/Pinecone 等），实现 Retrieval-Augmented Generation（RAG）检索＋生成混合的问答服务。为保证回答准确性，加入基于证据的回答回溯、置信度阈值与多条检索候选合并策略；并实现细粒度权限控制与审计日志。上线后在内部客服/知识检索场景中，自动化回复正确率（经人工抽检）达到 ~88%，单次查询延迟可控在 <200ms，工单首次解决率提升显著，平均工单处理时间下降约60%。系统支持版本化语料、增量索引与模型可插拔升级。
基于 AI 的代码生成与工程师助理系统
设计并实现了一个面向企业工程流程的代码生成平台，核心包括：语义检索上下文召回（项目 repo + issue + PR 历史）、小样本/LoRA 微调策略、代码语义校验与自动化单元测试生成。采用混合数据集（公开仓库 + 内部样例）训练代码生成模型并结合静态扫描与安全规则过滤器，防止生成存在明显安全缺陷的片段。在 CI 中集成生成→测试→静态分析→人审的闭环，支持按仓库/语言定制化模型。上线实验数据显示：常见模板化任务（CRUD、接口对接、迁移脚本）代码交付率与首次通过率显著提升，平均开发周期缩短约2–3倍，代码审查时间明显下降。系统同时提供插件化 IDE 扩展与 API 供内部工具调用，支持持续学习与指标化监控（通过率、回滚率、用户满意度）。
立即沟通
