【大模型北斗实习】Operator 智能体方向算法研究

随着大模型与生成式 AI 技术的快速发展，在多模态和复杂场景下让 Agent 具备更强大的决策和执行能力成为未来的重要趋势。OpenAI Operator 通过结合强化学习的多步决策机制与大模型的理解、推理优势，可在多种任务场景（如 Computer Use、网页浏览等）中实现高效且灵活的自动化决策和任务执行。本课题将聚焦多样化业务场景和复杂环境下的自适应策略设计、规划与推理，进一步提升 Agent 在真实应用中的表现。 主要研究内容包括但不限于： 1) 多模态与多步决策：设计并构建包含多模态信息、计算机交互、网络搜索、函数调用等多维度的复杂环境，研究如何利用端到端强化学习来进行多步决策，从而完成更具挑战的任务。 2) 策略学习与优化：在多种强化学习算法（如 PPO、GRPO 等）的框架下，探索高效的策略优化方法，为 Operator Agent 提供强大的决策和执行能力。 3) 规划与推理：借助大模型的知识与推理能力，设计可解释的多步规划算法；研究如何与外部工具或知识库交互，以扩展 Agent 的能力边界并提升其在真实环境中的自动化决策表现。 【任职要求】 1）熟悉强化学习领域常用算法及理论基础（如 DQN、Policy Gradient、PPO、GRPO 等。 2）熟练掌握至少一门编程语言（如 Python、Java），熟悉 Linux 环境。 3）具备深度学习框架（如 PyTorch、TensorFlow）实际项目经验；了解大模型或分布式训练框架（Megatron、DeepSpeed 等）者优先。 4）对大模型在 Agent 规划、推理中的作用有浓厚兴趣，对 LLM + RL 的前沿研究有基本认识。 5）具备良好的问题分析和解决能力，对新技术保持学习和探索的热情。 加分项： 1）在 NeurIPS、ICLR、ICML、ACL、EMNLP 等相关领域高水平期刊/会议发表论文或在有影响力的开源项目中做出核心贡献。 2）在多 Agent、层级强化学习或多模态融合等领域有深入研究或项目经验者优先。 3）具备 General Agent 使用经验（如 OpenAI Operator、Manus AI 等）者优先。