We’re looking for interns who are passionate about large language models, RAG (Retrieval-Augmented Generation), and generative models to explore how to build the next-generation financial research and investment system within a RAG framework—covering both fundamental research and quantitative investing. This project integrates retrieval, generation, fine-tuning, and evaluation modules and balances theoretical exploration with real-world deployment.

🎯 Key Responsibilities

    Survey the state-of-the-art in generative retrieval and RAG systems, analyzing the applicability and scalability of various methods in financial scenarios.

    Design experiments and implement core modules to validate the effectiveness of different generative-retrieval paradigms on real data and tasks.

    Analyze and optimize the performance and robustness of the generative retrieval component across retrieval quality, generation quality, and system efficiency.

    Verify technical feasibility in the product pipeline and drive integration, evaluation, and go-live of the modules.

🎓 Requirements

    Master’s or PhD student in Computer Science, Artificial Intelligence, Machine Learning, or a related field.

    Solid programming skills; proficient in Python and deep-learning frameworks such as PyTorch.

    Familiar with machine-learning and NLP techniques; prior exposure to generative models, RAG, or information retrieval is preferred.

    Experience with generative retrieval, information retrieval, or recommender systems is a plus.

    High-quality publications or open-source contributions are highly valued.

    Minimum 2 days per week for at least 3 months.

    Strong ability to think independently, implement systems, and collaborate effectively; enthusiastic about cutting-edge research.

📮 How to Apply

Send your résumé to [hkcryptomindtech@gmail.com] with the subject line “【Intern Application】Fin RAG – Name – University – Duration (x months)”.