AI研究算法工程师-后训练强化学习方向(J13374)

研究面向大语言模型的强化学习算法及后训练新范式，包括但不限于RLHF、RLVR、RLAIF、OPD等方法，探索通过强化学习训练实现后训练Scaling Law。

面向复杂推理、代码生成、工具调用和智能体任务，从RL训练数据构建、多目标奖励模型优化、生成式奖励模型、过程监督奖励模型、RL算法调优等多方面提升模型的探索能力和任务完成能力。

与基础设施团队协作，建设面向代码工程、复杂工具调用的强化学习高效训练环境和评测体系，形成任务生成、轨迹采样、奖励计算、策略训练和效果分析闭环，提升大规模强化学习的训练效率和稳定性。

跟踪大模型后训练强化学习领域的前沿进展，复现、验证并改进相关算法，探索研究具有长期价值的后训练新范式。

重点院校计算机科学、人工智能、自动化、电子信息、数学等专业毕业，硕士及以上学历。

对大模型能力提升具有强烈兴趣，具备扎实的大模型强化学习算法和训练基础，熟悉PPO、GRPO、OPD等常见的大模型后训练和强化学习算法，拥有大语言模型强化学习相关实习或项目经历。

具有扎实的编程和计算机基础，精通Python等语言，具备优秀的编程习惯和工程实现能力，熟悉Linux开发环境，熟练掌握Git及AICoding类常用研发工具。

具备较强的实验设计和分析能力，能够通过对照实验、消融实验和 Bad Case 分析定位模型问题。

具备良好的沟通协作能力、自驱力和责任意识，能够独立推进研究任务，愿意持续解决开放性、高不确定性的技术问题。 加分项

在算法编程竞赛、数学竞赛或其他相关机器学习比赛中取得过优异成绩。

在 NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI 等机器学习或自然语言处理会议发表过高水平论文。

有大规模分布式强化学习、异步 Rollout、训推一体化或多机多卡训练经验。