同花顺
基座后训练算法工程师（强化学习方向）
岗位职责
【团队介绍】 我们是金融智能体基座模型后训练团队，面向真实金融市场研究与决策场景，结合千亿级基座模型与 Financial Agent Harness，持续提升模型对金融市场的理解、归因、预测与交易能力。 团队围绕监督微调、偏好学习、强化学习与奖励设计，建设从能力定义、训练策略、奖励建模到基准验证的完整后训练体系。我们关注模型在长程、多轮、带工具调用的真实任务中的稳定表现，而不仅是静态榜单上的分数。
【岗位方向】 Post-training × Agentic RL：面向千亿级基座模型与智能体运行环境，建设 SFT / 偏好学习 / 强化学习全链路，覆盖训练算法、奖励设计、采样策略与稳定性工程。
【工作内容】
负责智能体基座模型后训练算法的设计与落地，覆盖 SFT、DPO、RLHF、RLVR 等训练范式，持续提升模型在金融任务上的能力表现。
负责奖励体系设计，包括规则奖励、可验证奖励、Reward Model 与 Judge Model 的训练与校准，解决奖励作弊与目标错配问题。
负责 Agentic RL 训练链路建设，包括多轮轨迹采样、工具调用环境接入、长程信用分配与训练/采样效率优化。
负责后训练过程的稳定性工程，包括熵坍缩、能力遗忘、KL 失控等问题的诊断与治理，保障多阶段训练的可控与可复现。
负责能力归因与迭代闭环，与数据评测、金融研究团队协作，将评测暴露的能力短板转化为下一轮训练目标。
任职要求
【工作内容】
负责智能体基座模型后训练算法的设计与落地，覆盖 SFT、DPO、RLHF、RLVR 等训练范式，持续提升模型在金融任务上的能力表现。
负责奖励体系设计，包括规则奖励、可验证奖励、Reward Model 与 Judge Model 的训练与校准，解决奖励作弊与目标错配问题。
负责 Agentic RL 训练链路建设，包括多轮轨迹采样、工具调用环境接入、长程信用分配与训练/采样效率优化。
负责后训练过程的稳定性工程，包括熵坍缩、能力遗忘、KL 失控等问题的诊断与治理，保障多阶段训练的可控与可复现。
负责能力归因与迭代闭环，与数据评测、金融研究团队协作，将评测暴露的能力短板转化为下一轮训练目标。
【职位要求】
本科及以上学历，计算机、人工智能、数学、统计学等相关专业优先。
熟悉大语言模型与智能体基本原理，深入理解 SFT、偏好学习与强化学习的训练流程与失效模式。
熟悉 PPO、GRPO 等策略优化算法，熟练使用 verl、OpenRLHF、TRL 等主流后训练框架。
具备扎实的 Python 与 PyTorch 编程能力，能够独立完成"数据构建 — 训练 — 评测"的完整闭环。
具备优秀的问题分析与实验研究能力，能够设计可信的对照实验并给出可归因的结论。
具备良好的抽象、沟通与业务理解能力，能够将复杂业务问题转化为清晰的模型能力目标。
【加分项】
有千亿级模型后训练完整落地经验，主导过 SFT 或 RL 阶段的方案设计者优先。
有 Agentic RL、长程任务训练或多轮工具调用训练环境建设经验者优先。
熟悉 Ray、Kubernetes 等分布式调度技术，以及 vLLM、SGLang、Megatron-LM、DeepSpeed 等训练或推理框架者优先。
在 ICML、ICLR、NeurIPS、ACL 等会议发表过高质量论文，或主导、参与过有影响力的大模型开源项目者优先。
信息来自企业官方招聘渠道
OfferSeek 对公开岗位信息进行聚合、去重和结构化整理，最终申请以企业官方页面为准。