岗位职责
强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向之一。我们围绕大模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力，持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在开放式复杂任务中的自主性与执行表现。 欢迎对大模型与强化学习方向有兴趣、并具备相关基础和实践经验的在读硕士/博士同学加入。
- 参与 PPO、GRPO 等强化学习算法相关工作，协助提升训推分离场景下大规模 RL 训练的稳定性与效率；配合完成 RL scaling law、长程训练、多任务融合与系统优化等实验，帮助提升模型持续训练收益和泛化能力。
- 参与优化 Agentic RL 的整体链路，协助提升训练和推理效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的表现；结合 critic model 和过程奖励机制，对 agent 行为进行引导，提升 scaffold 泛化性、指令跟随能力和推理效率。
- 参与长程任务和复杂开放任务相关的 RL 实验，协助优化训练效率和任务学习方法；结合多 agent 协作、自我反思、记忆机制和规划等方向，提升奖励信号、奖励模型和 agentic verifier 的准确性与鲁棒性。
- 与研究员和工程师协作，持续迭代 coding agent 和 long-horizon agent 的训练数据、奖励信号和执行环境；参与合成数据生成方法的改进，针对模型能力短板构建可验证的 RL 数据，提升基础模型在 benchmark 和真实任务场景中的表现。
职位要求
- 计算机、人工智能、自动化等相关专业在读硕士/博士。
- 具备强化学习（RL）和 Agent 方向的基础知识与实践经历，了解 PPO、GRPO 等主流 RL 算法和训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者优先。
- 对真实任务场景和模型行为有一定理解，具备良好的问题分析和推进能力；对算法、数据和 reward signal 有一定直觉，能够在指导下结合实际问题持续迭代方案并提升模型表现。
- 具备较强的学习能力、主动性和自驱力，能够快速理解前沿工作，并在指导下推进实验和落地。
