The posting
1.参与智能体强化学习长稳训练方案的设计与研发,面向网页浏览、工具调用、代码执行、复杂任务规划及多轮交互等场景,提升智能体的任务完成能力和交互稳定性; 2.研究和优化适用于长时程智能体任务的强化学习算法,重点关注长链路信用分配、稀疏反馈、过程奖励、轨迹筛选、失败恢复和策略稳定性等问题; 3.参与智能体训练环境、任务编排、工具调用、状态管理、轨迹采集和反馈评价等基础设施建设,提升训练系统的可扩展性和实验效率; 4.参与奖励模型、环境评价器、过程监督模型和结果校验模型的研发,构建覆盖任务过程与最终结果的多粒度反馈机制; 5.负责智能体强化学习实验的设计、执行和分析,定位训练过程中的不稳定、退化、奖励投机和泛化不足等问题,并推动算法与工程方案迭代; 6.参与长稳训练相关数据集、任务集和评测体系建设,建立面向多轮交互、复杂任务执行和长期自主运行的能力评估方法; 7.跟踪智能体强化学习、环境交互学习和大模型后训练领域的前沿进展,推进相关论文复现和技术成果落地。
1.计算机科学、人工智能、数学、统计等相关专业硕士及以上学历; 2.熟悉大模型、强化学习和智能体相关技术,对文本、多模态或智能体强化学习有研究或工程实践经验; 3.理解 PPO、GRPO、RLHF、RLAIF、奖励建模、过程监督、环境反馈和多轮强化学习等相关方法; 4.熟练使用 Python、PyTorch 等语言和代码库,有 Ray、分布式训练、智能体框架、环境构建或大模型训练系统经验者优先; 5.对智能体长时程训练中的任务规划、工具使用、轨迹建模、奖励设计和训练稳定性有较强兴趣或实践经验; 6.具备较强的工程实现、实验分析和问题定位能力,能够将算法方案转化为稳定可复现的训练流程; 7.目标导向,自驱力强,具备良好的团队协作和沟通能力; 加分项:ICPC/CCPC/Kaggle/数学建模等竞赛获奖、相关方向课程项目或研究经历、高水平论文或 GitHub 开源项目。



