元宝-复杂场景下的知识消歧与推理能力优化

真实复杂场景中，搜索模型不仅需要召回相关信息，还需要判断当前证据是否充分、信息之间是否存在歧义或冲突，并据此决定是否继续获取信息以及如何完成后续推理。本课题面向元宝真实搜索场景，研究多层次监督信号与信用分配机制，提升模型在复杂信息环境中的信息获取、知识消歧与推理能力。 可能探索的方向包括但不限于： 复杂搜索中的监督信号与 Credit Assignment：围绕答案正确性、证据充分性、搜索有效性和推理过程设计 Reward Model / Judge，使模型能够识别真正促进问题解决的关键行为，并通过 Agentic RL 优化多步搜索与推理决策。 外部知识增强的自适应推理：研究模型如何根据任务需求和当前信息状态，自主选择并组合不同的信息获取与分析能力，在通用搜索、专业知识调用与数值计算等工具之间动态切换，形成更高效、更可靠的问题求解路径，提升复杂专业场景下的信息获取效率与推理准确性。 Policy 与 Judge 协同进化：探索搜索场景Agentic RL 训练过程中 Policy 与 Judge 的联合迭代机制，使 Judge 能够持续识别更强 Policy 产生的新型错误与推理模式，同时利用不断演进的评价信号推动 Policy 突破现有能力边界，探索更加稳定、可持续的 Policy-Judge 共进化训练范式。 课题将结合真实互联网环境和元宝线上复杂 Query，探索搜索、知识调用与推理能力的统一优化，提升模型在高难度、专业化和多步问题中的可靠性与效率。

希望候选人对大语言模型 Post-training，尤其是 Agentic Reinforcement Learning、Credit Assignment、Reward Model 等方向具有较强兴趣，具备扎实的算法基础和良好的实验能力。 具体希望具备：

1. 01

   计算机、人工智能、机器学习、自然语言处理等相关专业背景，熟悉深度学习及大语言模型基本原理；

2. 02

   熟练使用 Python、PyTorch 等常用开发与深度学习框架，具备较强的模型训练、实验分析和工程实践能力，能够熟练使用主流 AI 编程工具开展研发工作；

3. 03

   在 SFT、RLHF / RL、Agent、Tool Use 等一个或多个方向具有研究或项目经验者优先；熟悉 PPO、GRPO 等 Post-training 方法或具有相关实践经验者优先；

4. 04

   具备较强的模型行为分析能力，能够从实际问题出发定义可验证指标、设计优化方案，并通过实验持续迭代模型效果；

5. 05

   对复杂搜索、Tool-Augmented Reasoning 等方向感兴趣，愿意探索如何通过多种外部工具提升信息可信度、推理一致性与任务完成效率，以及 Policy 与 Judge 协同进化的训练机制；

6. 06

   具备较强的论文阅读、独立思考和实验分析能力，持续关注大模型 Post-training 与 Agentic RL 的前沿研究；

7. 07

   具备良好的沟通协作能力和 Ownership，能够主动推动开放性研究课题取得实质进展。