岗位职责
-Agentic RL 算法落地:探索面向长程、多步、多工具任务的强化学习训练范式,包括稀疏奖励下的信用分配、过程奖励建模(PRM)、结果奖励建模(ORM)、自我博弈与多智能体协同、可扩展 reward modeling,以及训练稳定性与样本效率优化 -Agent 能力构建与后训练:针对真实业务或模拟环境中的 Agent 任务(搜索、代码、工具调用、多轮交互等),优化任务规划、反思与执行能力;研究并落地 PPO、GRPO 等 RL 算法在长链路 Agent 任务上的适配与调优,提升模型在复杂场景下的稳定性和成功 -训练 Infra 与数据飞轮:参与环境构建、rollout 采样、分布式训练(DeepSpeed / FSDP 等)的全流程;与业务/数据团队协作,将真实 Agent 使用数据转化为高质量训练信号,构建持续迭代的数据飞轮 -Agent 能力评估与落地:建立 Agent 能力评估体系,跟踪模型迭代效果,分析能力边界,推动研究成果在真实业务场景或模型版本中落地验证
职位要求
-计算机、人工智能、数学、自动化或相关专业,硕士及以上学历,特别优秀的本科生也可考虑 -强化学习基础扎实:熟悉 PPO、GRPO、REINFORCE 等主流 RL 算法,理解奖励设计、信用分配、探索-利用等核心问题 -熟悉大语言模型训练流程:了解 SFT → RM → RL 的后训练链路,有 RLHF 或 LLM post-training 实践经验者优先 -对 Agentic 系统有系统性理解:熟悉 tool use、ReAct、function calling 等 Agent 范式,理解多步推理与工具调用的基本机制 -工程能力扎实:熟练掌握 PyTorch,具备大规模分布式训练经验(DeepSpeed / FSDP 等)者优先;能独立完成从问题定义、实验设计到结果分析的闭环 -实习时间:每周至少 4 天,连续实习 3—6 个月以上。 -软性素质 -对 Agent 与强化学习方向有持续热情,自驱力强,能在开放性问题中主动推进 -具备良好的实验分析与论文阅读能力,能快速将前沿方法转化为可验证的实现 -沟通协作顺畅,能与研究员、infra 团队及业务方高效配合 -加分项 -有以下方向相关经验者优先 -Worker Agent:多工具长链调用、主动服务、个性化记忆、跨会话状态管理,以及面向真实用户反馈的 RL 闭环 -Coding Agent:代码生成、Agent 轨迹合成、交互式评测,以及 Agentic RL / OPD 等后训练算法研究 -多模态 / 创作 Agent:Agent SFT 数据合成、Agentic RL、Rubrics-based RL、Unified Reward System 等技术探索 -在 GitHub 有高 star 开源项目,或在知名 Agent / LLM 开源社区有持续贡献 -有 Agent 框架(LangChain / LangGraph / MCP 等)、复杂任务评测或程序化推理环境(WebArena、ALFWorld 等)的实践经验