大模型后训练科学家 / 工程师

Large Model Post-training & RL Scientist / Engineer

岗位描述

你将参与科学领域基础大模型的后训练与推理能力研发，围绕 SFT、RL、RLVR、模型对齐、科学推理和训练—推理一致性等方向开展工作，让模型能够在复杂科学问题上进行更可靠、更长程和更可验证的推理。

研究方向

• Post-training（SFT / DPO / RLHF / RLVR）

• Reinforcement Learning

• Large Model Alignment

• Scientific Reasoning

• Verifier / Reward Modeling

• Reinforcement Learning Infrastructure

• Training–Inference Consistency

• AI for Science

岗位职责

• 后训练与强化学习：负责科学大模型后训练全链路，包括 SFT / DPO / RLHF / RLVR 等，持续提升模型的科学推理、指令遵循、事实性和复杂任务解决能力。

• Scientific Reasoning：探索适用于科学问题的长链推理、Verifier、Reward、Test-time Compute 等方法，让模型能够处理更复杂、可验证的科学任务。

• 训练基础设施：保障后训练效率、运行稳定性及训练—推理一致性，持续优化训练吞吐、资源利用率与实验效率。

• 数据与评测：负责高质量 reasoning / trajectory / preference / verifier data 的构建，搭建科学推理与后训练评测体系，以评测结果驱动模型迭代。

我们希望你

• 本科及以上学历，计算机、人工智能、数学或相关理工科专业；

• 具备扎实的深度学习与大模型基础，有 LLM 后训练、强化学习或模型对齐项目经验，并能够提供可验证的结果；

• 熟悉 PyTorch，熟练使用 veRL、TRL、OpenRLHF、LLaMA-Factory 等后训练 / 对齐框架中的一种或多种；

• 理解 SFT、DPO、RLHF、RLVR 等方法及其适用场景；

• 对 reasoning model、RL、verifier、test-time scaling 等前沿方向保持持续关注；

• 对 AI for Science 有长期兴趣，能够独立推进后训练实验与模型迭代。

加分项

• 有 SFT / DPO / RLHF / RLVR 完整项目经验；

• 有 Reasoning Model、Verifier、Reward Model 或 Test-time Compute 相关经验；

• 有后训练性能优化、稳定性保障或训练—推理一致性实践；

• 有高质量 reasoning / trajectory 数据构建经验；

• 有高水平会议或期刊论文；

• 有高质量开源贡献；

• 有 AI 相关竞赛获奖经历。