岗位职责

裁判/奖励模型（Reward Model）研发：结合最前沿的训练技术（如 SFT、RLHF、DPO/PPO 等），构建 SOTA 级别的奖励模型，为业务侧强化学习（RL）提供核心动能。
评测体系与 Benchmark 构建：运用多智能体（Multi-Agent）技术构建权威评测基准，或研发自动化的评测合成方案，精准量化 SOTA 模型的能力边界与缺陷，驱动“数据-评测”闭环飞轮。
数据合成技术创新：探索创新的数据合成算法，生产高难度、高多样性的训练与评测语料；同时利用算法构建智能体（Agent）训练与评测所需的复杂仿真环境。
前沿强化学习（RL）算法探索：跟踪并研究 RL 领域的最新进展，挑战通用强化学习算法的性能极限，推动技术从理论突破向实际场景转化。

职位要求

学历要求：高校在读博士生（特别优秀的硕士生可放宽限制），计算机、人工智能、软件工程、认知科学、脑科学或其他AI相关专业。
技术背景：对大语言模型（LLM）、智能体（Agent）、强化学习或相关底层架构有深入理解，具备扎实的编程能力与工程实现能力。
研究能力：具备独立提出问题、设计实验并解决复杂问题的能力。有顶级会议（如ACL, ICLR, NeurIPS, ICML, colm等）论文发表经验者优先。获得过ACM、NOI金牌或同等水平竞赛奖项优先。
实习时间：为了保证研究的完整性与成果落地，实习期要求不少于3个月（建议3-6个月），能够沉下心推进完整的闭环研究。【你将获得】 • 真实的业务落地与影响力：你的研究成果将直接交付评测集、训练数据，沉淀数据生产方法（合成流水线、标注规范等），在真实业务中产生巨大价值。 • 顶会论文发表支持：在保障业务落地的基础上，团队大力支持将研究成果转化为CCF-A类会议或同等级顶会论文。若实习生为主要的实验和论文完成人，默认以第一作者身份发表。 • 资深专家1v1指导：采用导师负责制，为你指定专属资深导师，定期回顾目标与成果，并在专业探索与个人成长上提供全方位护航。