算法工程师-强化学习模型训练

强化学习（RL）是基础模型持续演进的重要技术方向，被广泛应用于提升模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力。我们持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在复杂开放任务中的自主性与执行表现。欢迎对大模型与强化学习方向有热情的同学加入。 1.研究 PPO、GRPO 等强化学习算法，提升大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。 2.优化端到端 Agentic RL 链路，提升算法与系统整体效率，增强 Agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 Agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。 3.提升 RL 在长程任务与复杂开放任务中的表现，研究训练效率优化、复杂任务学习方法；探索多 Agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 Agentic Verifier 的准确性和鲁棒性。 4.与研究员和工程师协作，持续迭代 Coding Agent 与 Long-horizon Agent 的训练数据、奖励信号与执行环境；改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。 【任职要求】 1. 计算机、人工智能、自动化等相关专业本科及以上学历。 2. 具备扎实的机器学习与深度学习基础，对强化学习有基本了解；在以下方向有研究或项目经验者优先： （1）强化学习算法（PPO、GRPO 等）与大模型 RL 训练； （2）Agent 系统、代码生成、Reward Modeling 或大规模训练； （3）复杂任务场景中的算法落地与系统优化。 3. 对真实任务场景与模型行为有较强洞察力，具备目标导向的问题分析与推进能力；对算法、数据与 reward signal 有良好直觉，能够结合实际问题持续迭代方案并提升模型表现。 4. 极强的求知欲与学习能力，逻辑清晰，善于独立思考，具备良好的沟通与团队协作能力。 5. 熟悉 Python 与主流深度学习框架，具备较强的工程实现能力；有高水平论文、开源项目、竞赛成绩或实际落地成果者优先。