时序大模型算法工程师

工作内容
1、大模型核心突破： 负责能源/时序大模型（Large Time Series Models）从 0 到 1 的算法架构设计、大规模自监督预训练（Pre-training）策略制定、多模态数据融合及下游任务微调（Fine-tuning）工作；
2、核心业务预测优化： 组织并优化风/光功率预测、负荷预测、电价预测等高精度时序算法，利用大模型技术提升泛化能力与少样本（Few-shot）预测精度；
3、资产健康预测性维护： 基于时序大模型/生成式模型，推进光伏智能运维、储能电池寿命预测（RUL）、多源设备故障预警与诊断算法的前沿研究与落地；
4、行业全栈方案设计： 设计并实现解决电力、能源行业数据智能应用相关的算法架构，支撑虚拟电厂（VPP）、微电网、电力交易等业务场景。

任职条件
1、学历与专业： 计算机、数据科学、人工智能、电力系统、应用数学等相关专业，211硕士及以上学历优先；
2、大模型核心能力（硬性要求）：
（1）深厚的前沿深度学习功底，深入理解 Transformer、Mamba、State Space Models (SSM) 等架构在时序领域的变体及演进；
（2）具备时序自监督学习（Self-Supervised Learning）、掩码自编码（MAE）、对比学习等预训练技术的实战经验；
（3）熟悉大规模时序数据（Time Series Big Data）的清洗、对齐与 Tokenization 方案，有实际的大模型参数调优和 Scaling Law 实践经验；
3、分布式计算与基础设施： 精通 Python 及 PyTorch 框架，熟练掌握 DeepSpeed、Megatron-LM 等大模型分布式训练工具；熟悉 Linux、Docker，并对时序数据库（如 TimescaleDB、TDengine）与大数据处理框架（Ray、Spark）有架构级的理解与调优经验；
4、AI Native 思维与效率工具：
（1）AI Native 开发思维： 具备强烈的 AI Native 意识，能熟练运用 Claude Code、Cursor 等 AI Coding 工具进行高效率的代码构建、重构与 Bug 调试，拥有极高的工程落地效率；
（2）智能体（Agent）前沿视野： 了解 LLM Agent 框架（如 Agno、LangGraph 等），对如何将传统时序预测转化为“感知-规划-行动-记忆”的交互式智能体（Predictive Agent）流程有深入思考或实践经验者加分；
5、算法交叉与行业背景（加分项）：
（1）了解电力调度、电力需求侧响应、虚拟电厂等新能源场景，具备时序预测、异常检测、图神经网络（GNN）开发经验；
（2）因新能源预测受天气影响极大，具备气象学/数值天气预报（NWP）数据处理经验者优先。
6、综合素质： 具备极强的自主学习能力、创造性思维和自驱力，能够追踪顶会（NeurIPS, ICML, KDD, ICLR 等）最新的时序大模型技术，并将其转化为解决能源行业实际业务问题的生产力。