研究型实习生-Agent后训练算法

负责大模型及长程 Agent 的后训练算法研究与落地，通过高质量数据、SFT、强化学习和蒸馏等方法，持续提升模型的推理、工具使用和复杂任务解决能力。

1. 探索并落地 SFT、RL、On-Policy Distillation、MOPD 等后训练算法；
2. 设计长程 Agent 数据构造流程，包括任务生成、环境搭建、工具交互、轨迹采集、清洗过滤、难度分层和数据配比；
3. 研究多轮、长轨迹及稀疏奖励场景下的 Credit Assignment、Reward Design 和训练稳定性；
4. 建设 Coding、Work、Research 等 Agent 场景的 Reward、Verifier 与自动化评测体系；
5. 开展基座模型能力增强与多能力融合，降低后训练过程中的能力遗忘、Reward Hacking 和模式坍缩；
6. 通过系统化实验分析数据、算法、模型和训练配置对最终效果的影响，并推动算法在大规模训练中落地。

1. 熟练掌握 Python、PyTorch，深入理解 Transformer、语言模型训练目标及大模型后训练流程；
2. 具备 SFT、RL 或模型蒸馏的实践经验，能够独立完成算法实现、训练实验和效果分析；
3. 熟悉 PPO、GRPO、GSPO 等强化学习算法中的一种或多种，理解 Policy、Reward、Advantage、KL 和 On-policy 等核心概念；
4. 理解 On-Policy Distillation、多教师蒸馏及能力融合的基本方法；
5. 具备较强的数据能力，能够设计数据构造、质量过滤、难度分层、数据配比和 Curriculum Learning 方案；
6. 理解 Agent 多轮交互、工具调用、长程任务和环境反馈，能够将完整 Agent 轨迹转化为有效训练信号；
7. 具备良好的实验设计与问题分析能力，能够定位数据、算法或训练配置导致的效果问题；
8. 关注大模型与 Agent 前沿研究，具备快速复现并验证新方法的能力。
9. 加分项：有强基模经验、或知名research工作或开源工作核心贡献者优先。