Token Foundry-RL算法专家-Qwen

强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向，被广泛应用于提升模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力。我们持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在复杂开放任务中的自主性与执行表现。欢迎对大模型与强化学习方向有经验和热情的同学加入。 工作内容包括：

1. 01

   研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。

2. 02

   优化端到端 Agentic RL 链路，提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。

3. 03

   提升 RL 在长程任务与复杂开放任务中的表现，研究训练效率优化、复杂任务学习方法；探索多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与agentic verifier的准确性和鲁棒性。

4. 04

   与研究员和工程师协作，持续迭代coding agent 与long-horizon agent 的训练数据、奖励信号与执行环境；改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。

1. 01

   计算机、人工智能、自动化等相关专业本科及以上学历，硕士/博士优先。

2. 02

   在强化学习（RL）与 Agent 方向具备扎实基础与实际经验，深入理解 PPO、GRPO 等主流 RL 算法及训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练等相关经验者优先；具备复杂任务场景中的算法落地与系统优化经验者优先。

3. 03

   对真实任务场景与模型行为有较强洞察力，具备目标导向的问题分析与推进能力；对算法、数据与 reward signal 有良好直觉，能够结合实际问题持续迭代方案并提升模型表现。