岗位职责

训练任务与环境合成根据模型能力目标和评测结果，确定训练任务的覆盖范围与难度分布。围绕行程规划、交通住宿选择、多约束决策等旅行场景，设计任务目标、初始状态、可用工具及环境反馈，研究任务与环境的自动合成方法，提升任务的可解性、多样性和训练价值。
验证算法与奖励设计将任务完成条件和质量要求转化为可执行的验证器（Verifier）与评分标准（Rubric），覆盖信息准确性、时间与预算约束、方案完整性及可执行性等维度。结合程序测试、环境状态检查、模型评判及智能体主动核验，设计结果与过程奖励，分析验证误判、评分偏差和奖励漏洞。
交互数据生成与质量优化研究 Agent 执行轨迹的生成、筛选与质量评估方法，建设任务生成、轨迹采样、自动验证和数据过滤流程；识别题目歧义、环境问题及错误反馈，从失败样本中挖掘新的训练任务。
训练实验与策略迭代将任务、环境和奖励机制接入大模型后训练流程，开展对照实验，分析任务分布、环境难度和奖励设计对模型学习的影响；根据训练与独立评测结果调整合成和采样策略，提升模型在未见任务、需求变化和长流程任务中的成功率。

职位要求

具备大模型后训练或强化学习的研究、项目经验，了解监督微调及 PPO、GRPO 等强化学习方法，理解训练数据、采样策略和奖励信号对模型效果的影响。
熟悉 Agent 的任务规划、工具调用、多轮交互与状态管理，能够分析复杂执行轨迹，识别模型的行为模式和失败原因。
在任务或环境合成、Agent 数据构造、自动验证、奖励设计中至少一个方向有实践经验，能够为具体任务设计明确的完成条件和可执行的评价方法。
熟练使用 Python 和 PyTorch，熟悉 ROLL、verl 等大模型强化学习训练框架，具备环境接入、轨迹采样、奖励计算或训练调试经验。
能够独立提出研究假设、设计对照与消融实验，判断效果变化来自数据、环境、奖励还是训练方法，并形成可复现的实验结论。加分项： - 有奖励模型（Reward Model）的数据构建、训练、评估或应用经验，包括过程奖励模型和结果奖励模型。 - 有任务难度自动调节、课程学习、Agent 自我博弈或模型反馈驱动的数据合成经验。 - 有旅行规划、交通住宿、目的地推荐等旅行领域的算法或数据经验，理解真实旅行任务中的约束、信息变化和用户偏好。 - 在大模型训练、强化学习、智能体、环境合成或自动验证等方向发表过相关论文，或对相关开源项目有实质贡献