【实习】大模型后训练实习生

参与实验室大模型智能体强化学习长稳训练相关的算法研究，提升模型在复杂、多轮、长时程任务中的持续交互、任务执行和自主决策能力。具体工作内容包括：

1. 01

   参与智能体强化学习长稳训练方案的设计与研究，面向长程科研任务，提升智能体的任务完成能力和交互稳定性；

2. 02

   研究和优化适用于长程智能体任务的强化学习算法，重点关注长链路信用分配、稀疏反馈、过程奖励、轨迹筛选、失败恢复和策略稳定性等问题；

3. 03

   参与奖励模型、环境评价器、过程监督模型和结果校验模型的研发，构建覆盖任务过程与最终结果的多粒度反馈机制；

4. 04

   负责智能体强化学习实验的设计、执行和分析，定位训练过程中的不稳定、退化、奖励投机和泛化不足等问题，并推动算法与工程方案迭代；

5. 05

   跟踪智能体强化学习、环境交互学习和大模型后训练领域的前沿进展，推进相关论文复现和技术成果落地。

1. 01

   本科及以上学历，计算机科学、人工智能、数学、统计、电子工程等相关专业优先，博士在读优先；

2. 02

   熟悉大模型、强化学习和智能体相关技术，对文本、多模态或智能体强化学习有研究或工程实践经验；

3. 03

   理解 PPO、GRPO、RLHF、RLAIF、奖励建模、过程监督、环境反馈和多轮强化学习等相关方法；

4. 04

   熟练使用 Python、PyTorch 等语言和代码库，有 Ray、分布式训练、智能体框架、环境构建或大模型训练系统经验者优先；

5. 05

   对智能体长时程训练中的任务规划、工具使用、轨迹建模、奖励设计和训练稳定性有较强兴趣或实践经验；

6. 06

   具备较强的工程实现、实验分析和问题定位能力，能够将算法方案转化为稳定可复现的训练流程；

7. 07

   目标导向，自驱力强，具备良好的团队协作和沟通能力；

8. 08

   拥有高水平论文、知名竞赛获奖、顶级研究机构或大模型智能体相关经验者优先。