chenkx
算法工程师
创维 · 1年经验
日薪：
￥1000/8h
地点：
深圳
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
算法能力：
Transformers 推荐算法 时序预测 异常检测
LLM & Agent：
Multi-Agent RAG Coze/Dify LoRA微调 vLLM部署 MCP
工程能力：
Python Polars FastAPI Docker Git OpenCode
Claude Code
深度学习与算法：
PyTorch Transformers PEFT/LoRA PatchTST
Chronos 集成学习 联邦/元学习
Transformers 推荐算法 时序预测 异常检测
LLM & Agent：
Multi-Agent RAG Coze/Dify LoRA微调 vLLM部署 MCP
工程能力：
Python Polars FastAPI Docker Git OpenCode
Claude Code
深度学习与算法：
PyTorch Transformers PEFT/LoRA PatchTST
Chronos 集成学习 联邦/元学习
项目经验
在公司担任算法工程师期间，深度参与并落地了覆盖多模态大模型精调、智能体生态构建、工业级检测流水线及高精度时序预测的完整算法业务闭环：在大模型微调与数据工程层面，基于 PyTorch + PEFT 采用 LoRA 技术对 Qwen3-VL-8B-Instruct 进行了深度精调，并独立搭建 Flask + Vue 标注审核平台，通过“误差分析反向驱动清洗补充”的数据闭环，成功将未知类型占比从 68.6% 骤降至 30% 以下；在智能体与工程化落地层面，利用 vLLM 完成 NVFP4 量化的 27B 大模型本地服务化部署，将异常诊断识别能力标准化封装为 MCP（Tool-Use）服务，并结合 Dify 与 LangGraph架构设计低效诊断识别 Agent，不仅实现了低效电站的自动识别与逻辑优化，还全面融入公司业务 Agent 生态以赋能日常办公与核心业务决策；同时，设计覆盖多类异常的两阶段深度学习检测 pipeline，实现近 6 千万条数据在 25 分钟内完成批量高效判别，准确率达 90%+；在时序预测与系统评测层面，基于特征工程与集成学习准确率提升 5.46%，并在 616 万条大规模时序场景下，搭建深度学习模型并引入时序大模型完成微调与特征优化，使预测拟合度 R^2 达 0.74（显著优于传统机器学习基线），同时建立起时间滚动切分的离线多指标评测体系以保障算法长期鲁棒迭代。
ID:439481
复制
chenkx
算法工程师 · 1年经验 · 创维
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
算法能力：
Transformers 推荐算法 时序预测 异常检测
LLM & Agent：
Multi-Agent RAG Coze/Dify LoRA微调 vLLM部署 MCP
工程能力：
Python Polars FastAPI Docker Git OpenCode
Claude Code
深度学习与算法：
PyTorch Transformers PEFT/LoRA PatchTST
Chronos 集成学习 联邦/元学习
Transformers 推荐算法 时序预测 异常检测
LLM & Agent：
Multi-Agent RAG Coze/Dify LoRA微调 vLLM部署 MCP
工程能力：
Python Polars FastAPI Docker Git OpenCode
Claude Code
深度学习与算法：
PyTorch Transformers PEFT/LoRA PatchTST
Chronos 集成学习 联邦/元学习
项目经验
在公司担任算法工程师期间，深度参与并落地了覆盖多模态大模型精调、智能体生态构建、工业级检测流水线及高精度时序预测的完整算法业务闭环：在大模型微调与数据工程层面，基于 PyTorch + PEFT 采用 LoRA 技术对 Qwen3-VL-8B-Instruct 进行了深度精调，并独立搭建 Flask + Vue 标注审核平台，通过“误差分析反向驱动清洗补充”的数据闭环，成功将未知类型占比从 68.6% 骤降至 30% 以下；在智能体与工程化落地层面，利用 vLLM 完成 NVFP4 量化的 27B 大模型本地服务化部署，将异常诊断识别能力标准化封装为 MCP（Tool-Use）服务，并结合 Dify 与 LangGraph架构设计低效诊断识别 Agent，不仅实现了低效电站的自动识别与逻辑优化，还全面融入公司业务 Agent 生态以赋能日常办公与核心业务决策；同时，设计覆盖多类异常的两阶段深度学习检测 pipeline，实现近 6 千万条数据在 25 分钟内完成批量高效判别，准确率达 90%+；在时序预测与系统评测层面，基于特征工程与集成学习准确率提升 5.46%，并在 616 万条大规模时序场景下，搭建深度学习模型并引入时序大模型完成微调与特征优化，使预测拟合度 R^2 达 0.74（显著优于传统机器学习基线），同时建立起时间滚动切分的离线多指标评测体系以保障算法长期鲁棒迭代。
立即沟通
