半年以上 1. 意图识别模型的测试与优化 - 对当前上线的意图分类模型进行全面评估，识别其在真实场景中的薄弱环节（如语义模糊、长尾意图、对抗性样本等）。 - 利用大语言模型（LLM）自动生成多样化、高挑战性的测试语料，主动挖掘模型盲区与错误模式。 - 基于分析结果，有针对性地补充高质量训练数据，持续迭代优化模型性能与泛化能力。 2. 小语种及OOD数据集构建 系统性收集开源的小语种（低资源语言）文本数据，包括对话、问答、社区内容等多源语料。 构建面向意图识别任务的“分布外”（Out-of-Domain, OOD）数据集，覆盖跨领域、无关意图及噪声样本。 3. 分类模型置信度可靠性研究与改进 - 调研并评估当前意图分类模型输出置信度的可信度问题，分析高置信度误判、低置信度正确预测等典型现象。 - 探索模型校准（Calibration）技术（如温度缩放、集成方法、贝叶斯神经网络、不确定性估计等），提升置信度与实际准确率的一致性。 - 设计并落地实用的置信度校准方案，支持下游系统（如对话路由、人工兜底）做出更可靠决策。

1、计算机科学、人工智能、语言学或相关专业本科及以上学历，硕士优先。 2、熟悉自然语言处理基础任务（如意图识别、文本分类、命名实体识别等）及主流模型架构（BERT、RoBERTa、DeBERTa 等）。 3、具备使用大语言模型（如 GPT、LLaMA、Qwen 等）进行数据生成、提示工程（Prompt Engineering）或模型评估的经验。 4、熟练掌握 Python 及常用深度学习框架（如 PyTorch、Transformers等）。 有深度学习，大模型训练领域工作的经验者优先。 本科及以上学位，英语熟练