岗位职责
- 负责大模型 Post-Training 全链路算法建设，覆盖 Pre-SFT、SFT、RLHF、RLVR（PPO / DPO / GRPO 等）各阶段的算法调优与策略设计，提升模型在指令遵循、工具调用、安全合规、多轮交互、long horizon task 等核心维度的综合能力。
- 负责 Reward Model 的设计、训练与迭代优化，构建 Verifier、LLM as Judge、Rule 等多元 Reward System，优化多维度（安全性、准确性、有用性、逻辑性、拟人度等）的偏好数据采集策略与训练方案。
- 设计高质量 SFT / RL 数据采集、清洗与标注方案，建立数据质量评估标准；通过实验驱动数据配比方法论，探索高质量数据合成、Agentic RL 等前沿方法，持续提升数据质量与多样性。
- 参与模型合版工作，包括数据配比策略、多任务训练优化、灾难性遗忘缓解等核心技术，确保各业务线智能体能力与基座模型的高效融合；分析线上 Badcase，将 RL 信号融入模型训练全流程。
- 探索 LLM 及 VLM 场景下的 Post-Training 方案，解决跨模态对齐与幻觉问题；跟踪 Agentic RL 等前沿研究进展，推动技术创新在基座大模型及 APP 对话助手产品中的落地。
职位要求
- 计算机科学、人工智能、数学等相关专业硕士及以上学历，1 年以上 NLP / LLM 领域一线研发经验。
- 对大模型 Post-Training 阶段有全局视角的理解，曾作为核心骨干完整参与过百亿/千亿级别模型的 SFT 与 RLHF 迭代过程；熟练掌握主流对齐算法（SFT、DPO、GRPO、PPO 等）及其底层数学逻辑。
- 有 Reward Model 训练和评估经验，了解偏好学习的常见方法和挑战；对高质量数据有极高的敏锐度，能通过实验快速验证数据配比对模型能力的影响并总结为方法论。
- 熟练掌握 PyTorch，有大规模分布式训练经验，熟悉主流训练与推理框架，能快速定位并解决大规模训练中的工程问题。
- 对解决具有挑战性的技术问题充满热情，有开源社区贡献（如大模型相关项目）者优先。
- 关注领域前沿，有 NeurIPS / ICML / ICLR / ACL / CVPR 等顶会论文发表者优先。
