岗位职责
- Rubric 与 Reward 设计：和领域专家一起，把领域的专业判断（漏洞是否成立、时序是否收敛、回答是否可用等）拆成可自动化验证的评分规则；覆盖硬验证（工具退出码/规则）+ 数值指标 + milestone + LLM judge 的多层组合。
- Reward Hacking 规避：识别评分规则里可能被模型钻空子的路径，设计验证规则闭环；对已上线的 rubric 做持续的 hacking 检测与规则加固。
- 训练验证与反查：用设计出的 rubric 与数据真实训练模型（SFT/RFT/RL），从训练曲线与 benchmark 结果反查 rubric 与数据的问题，形成"设计→训练→反查"迭代闭环。
- RL 数据筛选：对海量候选数据做面向 RL 的精筛，识别"表面合理但实际错误"、难度合适、覆盖度合理的样本；设计筛选阈值与采样策略，平衡数据规模与质量。
- 领域标注 → RL 数据的转化：把领域标注的标准与规范转成可用于 RL 训练的评分模板、reward 计算逻辑与训练样本；与领域专家共同定义黄金集与奖励信号。
- 效果验收：持续跟踪 rubric 上线后对训练效果的实际提升，输出 rubric 版本管理与效果对比报告，给出下一版迭代方向。
职位要求
- 有实际 RL/RFT 训练经验，理解 reward 设计、rubric 与训练效果的关系，能独立跑通训练闭环。
- 熟悉主流 rubric 设计范式，能大批量生成高质量 rubric，并把主观评价拆成可校验的子问题。
- 具备 reward hacking 识别与规避能力，理解常见 hacking 模式与验证机制。
- 熟悉 SFT/RFT/RL 各阶段数据需求差异，能筛选与构建高质量训练数据。
- 工程能力：熟练 Python，能独立完成数据处理、批量调用 LLM、结果聚合等工作，读得懂训练框架与训练日志。
- 与领域专家的协作能力，能把领域专业判断转成可执行评分规则。
- 数据质量意识，对分布、异常、偏见风险有敏锐直觉。
