岗位职责： 1. 负责基于公司真实生产数据（研发与内容生产过程中的任务记录、操作轨迹、产物、评审与返工记录）构建训练数据，打通数据采集、清洗、任务构造、训练、评测与回流的完整流程； 2. 搭建模型自我提升（RSI）的训练闭环：通过模型自生成数据、自我批判、迭代蒸馏、自动课程等方式，以可验证奖励和真实生产结果为训练信号，持续迭代模型能力； 3. 建立训练闭环的监控机制，及时发现能力漂移、reward hacking、分布偏移等问题，保证实验可回滚、可审计； 4. 独立完成 SFT、偏好对齐、强化学习（PPO / GRPO / DAPO 等）的训练与调参； 5. 设计 RL 任务与环境，构建 reward model、verifier 与规则校验，将任务完成标准转化为可训练的信号； 6. 建设离线与在线评测体系，以评测结果驱动版本迭代，给出模型上线、回滚的结论，并负责上线后的效果归因。 任职要求： 1. 硕士及以上学历，计算机、数学、人工智能等相关专业，数理与工程基础扎实； 2. 有后训练实战经验：独立完成过 SFT 及至少一轮 RL 训练（PPO / GRPO / DAPO / DPO 任一）； 3. 熟悉 transformers、LLaMA-Factory / TRL、verl / OpenRLHF 中至少一套；熟悉 PyTorch 及多机多卡分布式训练； 4. 熟悉主流推理框架（vLLM / SGLang / TensorRT-LLM 等），了解 KV Cache、量化、continuous batching、投机解码等常见优化技术； 5. 具备扎实的强化学习基础：理解策略梯度、值函数估计、探索与利用、稀疏奖励、credit assignment，能判断具体问题适合用 RL 还是 SFT 解决； 6. 有奖励设计、verifier 或评测集构建经验，能够识别和防范 reward hacking 与指标失真； 7. 数据能力强：能从真实业务数据中提炼出可训练的任务与可验证的信号。 加分项： 1. 有 Agent RL 经验：多轮长时程任务、工具调用、沙箱与 rollout 基础设施； 2. 落地过数据闭环、持续学习或增量训练； 3. 熟悉 Code Agent、AI 搜索、RAG 中至少一种应用，了解其真实的失败模式； 4. 有 CUDA 或算子级优化经验，能独立优化训练与 rollout 吞吐； 5. 在 NeurIPS / ICML / ICLR / ACL / EMNLP 等会议发表过论文，或有 OI / ACM 等竞赛获奖经历。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录