强化学习训练算法实习生

参与强化学习核心算法的设计、实现与优化，探索 RL 在扩散模型去噪过程中的应用，包括但不限于 PPO、DPO、GRPO、DAPO、ReFL等内容；

参与强化学习训练框架建设，搭建并且持续优化 Agentic RL 链路；

参与奖励模型和偏好数据集的构建与迭代，设计针对多模态生成质量（美学、一致性、指令遵循）的细粒度评价信号

本科及以上学历，计算机、人工智能、数学、自动化等相关专业；

了解自然语言处理、计算机视觉或多模态算法，了解主流的 DiT（Diffusion Transformer） 与 VLM（Vision-Language Model） 模型架构；

熟悉至少 2 种主流强化学习算法原理，熟悉至少一种强化学习训练框架；

熟练使用 PyTorch 框架，有从零复现顶会 RL 论文代码的能力；

有 Diffusion Model（DDPM/DDIM/Flow Matching）或 LLM/VLM 的后训练（SFT/RLHF/DPO）项目经验者优先；

在 NeurIPS/ICML/ICLR/CVPR/ACL 等会议有投稿或发表经历者优先