岗位职责
- 负责大语言模型（LLM）及多模态模型后训练（Post-Training）阶段的强化学习算法迭代；
- 深入研究并优化基于人类、AI 及环境反馈的 RL 算法（如 PPO, DPO, GRPO, ORPO 等），提升模型的规则遵循与多目标平衡能力；
- 探索基于 RL 的 Reasoning 模型相关技术（如 CoT 思维链、CoA 动作链的融合），实现原生具备多步思考和工具调用能力的推理模型；
- 将 RL + LLM 技术应用于实际业务（如跨境贸易搜索、商家智能诊断、电商 Agent 等），设计并实现智能化的决策优化方案，提升业务效能。
职位要求
- 本科及以上学历，计算机、数学、统计学、物理或自动化等相关专业优先；
- 具备扎实的机器学习、深度学习及自然语言处理（NLP）理论基础，熟悉 Transformer、ViT、CLIP 等主流预训练模型；
- 深入理解强化学习原理，熟悉 RM、PPO、DPO、GRPO、MBRL 等至少数种 RL 算法及其应用范式；
- 精通 Python 编程，熟练运用 PyTorch 进行模型训练与调试；
- 具备极佳的工程实现能力，了解大模型训练系统（如分布式训练、加速优化）或相关底层代码库者优先。
