岗位职责
- 通过分析主流Benchmark及模型评测结果等方式，结合训练需求确定 RL 数据的能力覆盖范围与优先级；从多种渠道的海量数据里筛选挖掘样本并构建出清晰、可执行的问题描述，作为后续rollout数据生产的起点。
- 针对 Coding 及 Work 等场景，以人机协作的方式设计并构建Agent的运行环境，以及可量化的 Verifier 或多维度打分 Rubric。需要保证环境和Judge的正确性、完整性、鲁棒性，且持续迭代以应对 Reward Hacking等各类挑战，确保评估信号与训练目标对齐。
- 端到端搭建批量化的数据生产与验证 Pipeline，涵盖任务生成、轨迹采样、自动校验和质量过滤；构建 QA 框架，对rollout结果进行预校验与失败模式分析，保障进入训练的数据可信、可追溯。
- 与领域专家和算法/训练等团队紧密配合，将模型效果反馈转化为数据策略调整（任务难度、Reward 信号、标注规范等）；与标注、工程等团队协作，推动产线持续优化，形成"评测 → 数据 → 训练 → 评测"的闭环飞轮。
职位要求
- 具备 RL/Post-Training 研究或机器学习Applied Scientist 相关经历，理解 Reward Modeling 基本原理及 Reward 信号设计对 RL 训练（PPO/GRPO/DAPO 等）的影响；有 Agentic 场景的轨迹评估分析经验，可以对多轮工具调用、代码执行等复杂轨迹识别行为模式与失败模式。
- 能将模糊的质量目标拆解为可执行、可量化、可扩展的评估标准（Verifier / Rubric），并具备持续迭代以应对 Reward Hacking 的判断力。能与领域专家和标注团队协同，以人机协作的方式完成各类任务。
- 熟练使用 Python，熟悉主流的harness/agent框架，能独立完成数据处理脚本、自动化 Pipeline 和 QA 校验工具的开发；具备搭建端到端数据产线，构建容器环境的工程经验，保障数据生产的规模化与可追溯性。
- 沟通与文档能力：优秀的书面表达能力，能产出清晰的 Rubric 规范、技术方案和问题定义文档；善于跨团队协作，能将算法侧的模型反馈准确翻译为数据策略调整。
- 有大规模机器学习任务调优经验者优先，有某个领域任务深度经验者优先（数学物理，ACM，kernel研发，高并发/HFT，软件工程，research，science等）
- 对LLM，AGI/ASI感兴趣，践行AI Native工作范式者优先
