职位描述
1、核心模型演进： 负责通用/领域大模型的全生命周期研发，包括超大规模指令微调（SFT）及偏好对齐（Alignment）；
2、Agentic RL 研发： 针对智能体场景，研究并实现基于强化学习的决策模型。重点解决 Long-horizon Reasoning（长程推理）、Tool-use（工具调用）和 Self-correction（自我纠错）在复杂多轮交互中的表现；
3、对齐算法创新： 探索和落地超越 DPO/PPO 的最新对齐技术（如 GRPO, DAPO, Online RLHF），通过构建高精度的 Reward Model 提升模型在逻辑、代码及 Agent 任务上的胜率；
4、合成数据管线： 利用 Teacher-Student 架构，通过 AI-native 方法构建针对 Agent 动作轨迹、反思闭环的高质量合成训练集；
5、前沿跟踪： 紧跟 OpenAI o-series, Claude Opus 等最新推理模型技术路径，将长推理链、系统性思维等能力注入开源基座。任职要求
学术背景： 计算机、数学、统计学或相关专业硕士/博士学位；在顶级会议（NeurIPS, ICLR, ICML, ACL）发表过高质量论文者优先。
1、模型训练功底： 具备Deepseek, Qwen, GLM 等主流开源大模型的实战微调经验，深刻理解 Transformer 架构及注意力机制的演进。等主流开源大模型的实战微调经验，深刻理解 Transformer 架构及注意力机制的演进；
2、强化学习经验： 熟练掌握 PPO, DPO, GRPO等强化学习算法在 NLP 领域的应用，能够独立解决 RL 训练中的不稳定性、奖励函数偏移（Reward Hacking）等挑战；
3、Agent 实战： 熟悉主流 Agent 框架（如 LangGraph, AutoGPT，ClaudeCode），有实际处理过评测集优化经验者优先；
4、工程能力： 熟练使用 Python/PyTorch，精通分布式训练工具链（DeepSpeed/Megatron），具备千卡规模下的模型并行、流水线并行调优经验。
