The posting
负责生成式大模型后训练阶段（SFT 微调 → 偏好对齐 → 强化学习）的训练基础设施设计与优化。面对算法快速迭代与大规模探索式采样的双重挑战，构建高效、灵活、可扩展的训练框架，在算法演进与系统效率之间实现最优平衡。
1. 后训练全链路框架设计与演进：主导设计并持续迭代后训练基础设施，完整覆盖 SFT（监督微调）→ RM（奖励模型训练）/ DPO（离线偏好优化）→ PPO / GRPO / DAPO（在线强化学习） 的对齐链路。面向算法快速演进的需求，构建模块化、可插拔的框架架构，实现新算法的高效接入与快速验证。 2. 大规模 Rollout 采样系统优化：针对在线 RL 训练中 Policy 模型频繁生成（Rollout）带来的海量推理请求，设计高效的采样调度系统。优化推理与训练之间的数据流转管道，实现生成、奖励打分、梯度更新三大环节的流水线并行与无缝衔接。 3. 混合资源调度与弹性训练：解决后训练场景下推理（Rollout）与训练（Gradient Update）对 GPU 资源的竞争问题。设计灵活的资源分配与弹性扩缩容策略，根据算法阶段动态调整推理与训练的算力配比，实现集群利用率的全局最优。 4. 训练稳定性与性能调优：保障大规模 RL 训练的稳定性，解决分布式环境下的探索多样性、奖励尺度震荡及训练崩溃等系统性问题。持续优化全链路吞吐，在极致的迭代速度与训练收敛性之间取得平衡。
1. 算法理解与系统转化能力：深刻理解 SFT、DPO、PPO、GRPO、DAPO 等主流后训练算法的数学原理与计算模式，熟悉 Reward Model 的训练范式及其在 RL 链路中的角色，能够从算法特性出发设计系统架构。理解不同算法阶段对 Infra 的差异化诉求。 2. 框架实战经验：深度使用或精读过 veRL、OpenRLHF、TRL 等开源 RL 训练框架之一的核心源码。有在大规模（百卡/千卡级）集群上落地 RL 训练的实际经验，熟悉其中的分布式采样、经验回放、优势估计等关键模块的实现与瓶颈。 3. 系统架构能力：熟悉推理与训练混合部署的架构模式（如 SGLang/vLLM + 训练框架的混合调度），理解两者之间的显存隔离、通信隔离与任务编排策略。 4. 性能优化方法论：具备从端到端视角进行性能压榨的能力，能够精准定位采样瓶颈、数据传输瓶颈与训练瓶颈，并在迭代速度与训练效果之间进行系统级的权衡决策。 5. 加分项： - 有视觉/多模态生成模型的后训练（SFT/RM/DPO/RL）落地经验 - 具备优秀的 SFT 阶段调参经验与数据配比/构建经验，深刻理解 SFT 质量对后续 RM 训练及 RL 收敛效果的影响 - 熟悉在线 RL 与离线 RL 的 Infra 差异，并有实际调优经验 - 有自研或深度定制 RL 训练框架的经历
