大模型后训练算法实习生（可转正）

参与策略决策模型的后训练和效果优化，包括 SFT、偏好优化、强化学习等方向； 基于脱敏交互日志、专家策略和模拟对局，构建状态—动作数据、偏好数据及训练样本； 参与训练数据的清洗、筛选、难例挖掘、质量评估和数据配比实验 ； 设计或优化奖励信号，提升模型在局面判断、长期规划、风险控制和协作对抗等方面的能力； 参与 Self-play、离线回放和批量对抗实验，分析模型失败案例并持续迭代； 参与模型评测体系建设，关注胜率、决策合法率、策略稳定性、泛化能力和策略多样性等指标； 与 Agent、服务端及测试团队协作，推动模型能力接入完整的 AI 对战链路

计算机、人工智能、自动化、数学等相关专业在校生； 熟悉 Python，能够使用 PyTorch 等深度学习框架完成训练和实验； 实际参与过至少一个大模型训练或后训练项目，了解 SFT、DPO、PPO、GRPO 等一种或多种方法； 能够清晰说明项目中的数据来源、训练目标、实验设计、评测方法以及本人承担的工作； 对强化学习、序列决策或策略学习有基本理解； 具备良好的实验习惯，能够进行指标分析、失败案例归因和训练结果复现； 对复杂策略问题有兴趣，具备较强的学习能力和问题拆解能力。

【加分项】 有 Self-play、强化学习或多智能体训练经验； 有卡牌、棋类、博弈或其他游戏 AI 项目经验； 做过奖励模型、过程奖励、偏好数据构建或合成数据生成； 熟悉分布式训练、推理加速或训练框架； 有论文复现、算法竞赛、开源项目或技术博客等可展示成果； 对不完全信息博弈、对手建模或策略搜索有一定理解。

【你将获得】 参与真实策略对抗 AI 系统从训练到落地的完整过程； 接触数据构建、后训练、Self-play 和评测闭环，而不只是单一模型调参； 与项目负责人直接协作，对技术方案和模型迭代产生实际影响； 获得可量化、可复盘的模型训练和策略优化经验。

【投递建议】 请在简历中重点说明相关项目的： 项目目标、模型规模、训练方法、数据规模、评测指标、最终效果以及本人具体贡献