岗位描述
1、负责大模型智能体（Agent）的强化学习与后训练算法研发，覆盖 SFT、奖励模型（RM）、RLHF / DPO / GRPO 全链路，系统性提升模型在复杂多步任务中的指令跟随、任务规划与自主决策能力； 2、深入探索 Agentic RL 方向，设计面向真实业务场景长程任务的奖励建模机制（过程奖励、结果奖励、规则奖励等），训练模型在模拟环境与真实反馈中持续试错、反思与自我纠错，解决长程任务中的稀疏奖励、错误累积与策略漂移问题； 3、构建 Agent 训练的数据基础设施，包括高质量数据合成、数据清洗与质量分析，设计覆盖规划推理、工具调用、多轮交互等能力的评测集与评估基线，支撑模型的高效迭代与效果量化； 4、跟踪并落地前沿技术（如Process Reward Model、Self-Play、课程强化学习等），探索多智能体协作、环境反馈信号设计等方向，推动 Agent 在生产力场景中的实际价值； 5、参与分布式强化学习训练框架的性能调优，与推理引擎团队协作评估模型推理效率，为端到端训练与线上部署提供稳定高效的算法支撑。 1、2027届硕士及以上学历，计算机、人工智能、自动化等相关专业，机器学习与深度学习基础扎实； 2、熟练掌握 Python，熟练使用 PyTorch、HuggingFace Transformers、DeepSpeed / Megatron 等主流训练工具，具备良好的代码实现与调试能力； 3、熟悉主流大模型架构（如 Qwen、LLaMA 等），对后训练全流程有深入理解，熟悉 SFT、LoRA、RLHF / DPO / GRPO 等任一环节，有相关项目或实习经历者优先； 4、具备强化学习与智能体相关基础知识，了解 ReAct、Reflexion、Tool-Use、PPO、MCTS 等任一类方法，对 Agent 的规划、推理、工具调用有浓厚研究兴趣； 5、逻辑清晰，善于拆解复杂问题，自驱力强，能够快速学习新知识，具备良好的跨团队沟通与协作能力。 加分项： 1、在 ACL、EMNLP、NeurIPS、ICML、ICLR 等顶会发表过相关论文； 2、有大模型对齐（RLHF / DPO / GRPO）、Agent 项目或强化学习竞赛相关实践经验； 3、手动实现过 LangChain / LlamaIndex / AutoGen / Gymnasium 等 Agent 或 RL 开发框架； 4、对 vLLM / TensorRT-LLM 等推理优化工具有一定了解，有大模型分布式训练实践经验。