职位描述
1. 环境与评测：负责具身环境、任务集和 benchmark 建设，明确模型可见观察、动作、奖励及终止条件，设计基线与泛化评测，优化大规模分布式环境交互的并行效率。
2. 专家数据与 SFT：设计并优化自适应、可扩展的专家轨迹生成与 SFT 流水线，解决多轮工具调用、失败恢复及多模态上下文等问题，保障训练与部署输入一致，持续提升数据质量、训练效果与效率。
3. Agentic RL：基于现有开源推理和训练后端建设和改进 SFT/RL 架构，负责在线 rollout、奖励设计与策略优化，定位并解决采样吞吐、资源利用和训练稳定性等关键问题。
4. 长程任务与通用算法探索：围绕稀疏反馈、信用分配、任务分解与规划、长程记忆等通用与泛化问题，独立开展方法设计、实现和实验分析，通过对照与消融验证算法收益。
5. 工程迭代：结合日志、轨迹和训练指标分析工具调用错误、训练退化、奖励投机或泛化不足等具体问题，完成诊断、修复与回归验证，协同推进模型交付和真实业务任务中的效果改进。任职要求
职位要求
1. 本科及以上学历，计算机、人工智能、自动化、数学、统计等相关专业，或具备相当的工程与研究经验。
2. 熟练掌握 Python、PyTorch 和 Linux 开发，能够独立设计与实现训练模块或算法，具备良好的代码组织、调试和测试习惯，以及性能分析与复杂问题定位能力。
3. 深入理解监督学习、强化学习及大模型 SFT/RL（PPO、GRPO 等）的原理，熟悉奖励、优势估计和 KL 约束等关键机制，具有独立排查并解决训练性能与稳定性问题的实践经验。
4. 独立负责过至少一项深度强化学习、LLM/VLM、Agent 或具身环境相关项目，在训练工程或算法方向有深入实践；能够完成问题定义、方案实现、对照实验和结果验证，并说明个人贡献与可验证的改进。
5. 对具身 Agent 的规划、工具使用和环境交互有持续兴趣，能够跟进前沿技术并判断其适用性，具备清晰表达技术方案与实验结论、跨团队协作和推动研发交付的能力。
加分项
- 有大模型 SFT/RL/Agent RL 后训练的完整实践经验，取得过可验证的任务能力提升或实际业务收益。
- 深入使用或贡献过 slime、verl、OpenRLHF 等训练框架，或基于 Ray、FSDP、DeepSpeed、Megatron、SGLang、vLLM 等组件解决过分布式训练与推理中的性能或稳定性问题。
- 有 Gymnasium、MuJoCo、Habitat 等相关具身环境经验，或负责过导航、机器人操作、工具调用和长程任务 benchmark 建设及真实场景验证。
- 有多模态数据处理、场景记忆、难例挖掘、失败恢复或跨环境泛化研究经历，并推动过方法落地。
- 有影响力的开源贡献、技术报告、论文或竞赛成果，能够展示清晰的个人贡献与可复现的实验结论。
投递材料建议
请提供简历，并尽可能附上一个有代表性的项目、论文或可公开代码链接，简要说明你解决的问题、个人贡献、关键技术选择和可验证的实验结论。请注明可到岗时间及意向方向：训练工程、算法或两者结合。
