公司简介：
北京市商汤科技开发有限公司成立于2014-11-14，法定代表人为刘强，注册资本为225000万元，统一社会信用代码为911****83181538675，企业注册地址位于北京市海淀区北四环西路58号11层1101-1117室，所属行业为科技推广和应用服务业，经营范围包含：一般项目：技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；数字技术服务；文艺创作；专业设计服务；图文设计制作；平面设计；广告设计、代理；广告发布；数字广告设计、代理；计算机软硬件及外围设备制造；计算机软硬件及辅助设备批发；电子产品销售；技术进出口。（除依法须经批准的项目外，凭营业执照依法自主开展经营活动）（不得从事国家和本市产业政策禁止和限制类项目的经营活动。）。企业当前经营状态为存续。在招职位如下：
大模型 RL 算法工程师
工作城市：北京
薪资：9k-15k
学历要求：硕士,博士
岗位性质：实习
岗位描述：
薪资：9k-15k
学历要求：硕士,博士
岗位性质：实习
岗位描述：
## 职责
- 参与大模型后训练（Post-Training）研究工作，方向包括 On-Policy Distillation (OPD) 和 Agentic Reinforcement Learning
- 跟踪 arxiv 最新论文，定期整理 survey，为团队提供方向参考
- 设计并执行算法实验（ablation study），在真实业务模型上验证效果
- 参与自研训练框架的开发与维护，将算法方案工程化为可复现的 training recipe
- 分析训练数据（rollout trajectory、工具调用成功率、reward 分布）
## 要求
- 在读硕士或博士，CS/ML/AI 相关方向，实习期 ≥3 个月，每周 ≥4 天
- 了解 LLM Post-Training 范式（SFT / RLHF / PPO / GRPO），至少跑过 SFT 或 DPO 实验
- 了解 RL 基础概念（policy gradient、reward、advantage、GAE）
- 熟练 PyTorch 和 Python，能阅读并修改训练框架代码
- 熟悉 Linux、Docker、Git 基本使用
- 加分：用过 verl / TRL / NeMo-RL 等训练框架；了解 vLLM / LightLLM 等推理引擎；有分布式训练（FSDP / Ray）或 GPU 集群使用经验；读过 OPD 或 agentic RL 方向 paper
- 参与大模型后训练（Post-Training）研究工作，方向包括 On-Policy Distillation (OPD) 和 Agentic Reinforcement Learning
- 跟踪 arxiv 最新论文，定期整理 survey，为团队提供方向参考
- 设计并执行算法实验（ablation study），在真实业务模型上验证效果
- 参与自研训练框架的开发与维护，将算法方案工程化为可复现的 training recipe
- 分析训练数据（rollout trajectory、工具调用成功率、reward 分布）
## 要求
- 在读硕士或博士，CS/ML/AI 相关方向，实习期 ≥3 个月，每周 ≥4 天
- 了解 LLM Post-Training 范式（SFT / RLHF / PPO / GRPO），至少跑过 SFT 或 DPO 实验
- 了解 RL 基础概念（policy gradient、reward、advantage、GAE）
- 熟练 PyTorch 和 Python，能阅读并修改训练框架代码
- 熟悉 Linux、Docker、Git 基本使用
- 加分：用过 verl / TRL / NeMo-RL 等训练框架；了解 vLLM / LightLLM 等推理引擎；有分布式训练（FSDP / Ray）或 GPU 集群使用经验；读过 OPD 或 agentic RL 方向 paper