（27届 ASP）LLM-大模型后训练算法工程师-Gernal/Reasoning/Coding 方向

我们正在系统性地推进大模型的能力对齐（Alignment），覆盖 Mid-training → SFT → RL 的全链路优化：用 mid-training 补齐基座能力上限， SFT 冷启，再通过全方位的强化学习算法（PPO、GRPO、DPO等）把模型潜力锐化为稳定可靠的输出。你将参与 Reasoning（数学 / 逻辑 / 各类学科）、Coding（代码生成 / SWE Agent）、General（指令遵循 / 多轮 / 长文本 / 多语言）中一个或多个方向的算法与数据建设，推动自训模型在关键 benchmark 上追平至超越目标模型。 岗位职责 参与 Mid-training / SFT / RL 全链路 post-training 方法的研究与落地，掌握并灵活运用全方位的强化学习算法，包括 PPO、GRPO、DPO 等，在真实训练环境中做能力对齐。 参与各阶段的联合优化：mid-training 的数据配比与基座能力抬升、SFT 的教师选型与配方、RL 的奖励设计与策略优化，理解并权衡三个阶段在能力天花板（pass@k）与稳定输出（pass@1）上的分工。 研究在合并多个能力域（数学 / 代码 / 逻辑 / 指令遵循 / 长文本等）时如何减少相互掉点，探索达到帕累托最优的合并算法。 探究 post-training 的 scaling 规律与能力边界提升，例如如何做更久 / 更稳定的 RL（延长有效训练步数、缓解熵坍缩与奖励饱和）、细粒度 / 过程级反馈（fine-grained / process reward），以及类 AlphaZero 的自我探索（self-play / self-exploration），持续抬升基础模型的能力上限。 设计并实现奖励信号与自动评测器（如代码判题、数学答案校验、指令约束校验、Agent 任务成功率），保证 reward 正确性锚定在模型之外、不产生自我强化误差。 参与高质量训练数据构建：数据合成与蒸馏、去重去污染、质量打分、失败样本挖掘、偏好数据构建，以及按「有效监督 token / 考点分布 / 失败机制」的定向配比策略。 打通并优化 mid-training / SFT / RL 的训推链路（如 verl / SGLang / vLLM / Megatron），定位并修复训推不一致、熵坍缩、显存与吞吐瓶颈等工程问题。 跟踪 LLM post-training、RL for LLM、reasoning models、Agentic RL、agent evaluation 等方向的前沿论文与开源框架，并快速复现或落地

计算机、人工智能、机器学习、数学等相关专业硕士或博士。 熟悉机器学习与深度学习基础，了解大模型 post-training 的基本流程。 对SFT、强化学习有基础理解，熟悉 PPO、GRPO、reward modeling、policy optimization、credit assignment 等概念者优先。 熟练使用 Python，熟悉 PyTorch；具备良好的工程实现和实验分析能力。 对 LLM 的推理能力、代码智能体、指令遵循、多轮对话、RAG、长文本或多语言中的一个或多个方向有兴趣或实践经验。 能独立阅读英文论文，具备较强的问题拆解、实验设计和结果分析能力。 加分项 有 LLM post-training、SFT、RLHF、RLAIF、DPO、PPO、GRPO、RLVR 等实践经验。 熟悉 verl、TRL、Ray、vLLM、SGLang、Megatron、DeepSpeed 等训练 / 推理框架。 有数据合成与蒸馏、reward design、自动判题、trajectory analysis、sandbox execution、Docker / 容器环境经验。 在 NeurIPS、ICLR、ICML、ACL、EMNLP、AAAI 等会议发表过相关论文，或有高质量开源项目。 有算法竞赛、Kaggle、ACM/ICPC、系统工程或复杂工程项目经验。 你将获得 深入参与前沿 LLM Mid-training / SFT / RL 全链路 post-training 方向的研究与落地，直接对标业界最新开源模型。 接触真实的大规模训练与推理环境、可验证奖励体系、诊断驱动的数据引擎和完整的实验流程。 与算法、工程、产品团队协作，将研究结果转化为下一代基座模型的核心能力。 产出论文、技术报告、开源项目或核心业务成果