LLM Post-train 算法研究员（生产数据 / Agent 自进化方向）- AI引擎

负责基于公司真实生产数据（研发与内容生产过程中的任务记录、操作轨迹、产物、评审与返工记录）构建训练数据，打通数据采集、清洗、任务构造、训练、评测与回流的完整流程；

搭建模型自我提升（RSI）的训练闭环：通过模型自生成数据、自我批判、迭代蒸馏、自动课程等方式，以可验证奖励和真实生产结果为训练信号，持续迭代模型能力；

建立训练闭环的监控机制，及时发现能力漂移、reward hacking、分布偏移等问题，保证实验可回滚、可审计；

独立完成 SFT、偏好对齐、强化学习（PPO / GRPO / DAPO 等）的训练与调参；

设计 RL 任务与环境，构建 reward model、verifier 与规则校验，将任务完成标准转化为可训练的信号；

建设离线与在线评测体系，以评测结果驱动版本迭代，给出模型上线、回滚的结论，并负责上线后的效果归因。

硕士及以上学历，计算机、数学、人工智能等相关专业，数理与工程基础扎实；

有后训练实战经验：独立完成过 SFT 及至少一轮 RL 训练（PPO / GRPO / DAPO / DPO 任一）；

熟悉 transformers、LLaMA-Factory / TRL、verl / OpenRLHF 中至少一套；熟悉 PyTorch 及多机多卡分布式训练；

熟悉主流推理框架（vLLM / SGLang / TensorRT-LLM 等），了解 KV Cache、量化、continuous batching、投机解码等常见优化技术；

具备扎实的强化学习基础：理解策略梯度、值函数估计、探索与利用、稀疏奖励、credit assignment，能判断具体问题适合用 RL 还是 SFT 解决；

有奖励设计、verifier 或评测集构建经验，能够识别和防范 reward hacking 与指标失真；

数据能力强：能从真实业务数据中提炼出可训练的任务与可验证的信号。

有 Agent RL 经验：多轮长时程任务、工具调用、沙箱与 rollout 基础设施；

落地过数据闭环、持续学习或增量训练；

熟悉 Code Agent、AI 搜索、RAG 中至少一种应用，了解其真实的失败模式；

有 CUDA 或算子级优化经验，能独立优化训练与 rollout 吞吐；

在 NeurIPS / ICML / ICLR / ACL / EMNLP 等会议发表过论文，或有 OI / ACM 等竞赛获奖经历。