大模型 RL 算法工程师
北京
硕士及以上
计算机类·电子信息类
使用简历深度优化功能，快速提升简历质量
职位介绍
## 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
