Agentic RL Instance:环境和Verifier构建-阿里星

北京 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

1. 计算机、数学/统计、电子信息或相关专业博士学历，具备 RL/Post-Training 方向的研究经历，或机器学习 Applied Scientist 相关工作经验，熟悉 PPO、GRPO、DAPO 等主流 RL 算法及其工程实现细节。
2. 具备扎实的 Python 工程能力，熟悉主流 harness/agent 框架，能够独立完成数据处理脚本、自动化 Pipeline 的设计与开发；有大规模 RL 训练相关项目经验者优先。
3. 具备较强的自驱力、学习能力、创新意识、沟通协作能力与抗压能力；对 LLM、AGI/ASI 等前沿方向抱有浓厚兴趣，认同并践行 AI Native 的工作范式。
4. 在ICLR、ICML、CVPR、ICCV、ACL、NeurIPS等顶会上发表过高质量论文，有高质量github开源项目者优先（加分项）
5. 具有业界 LLM/Agent 相关团队的实习经验者优先（加分项）
6. 有某个领域任务深度经验者优先，如数学物理science，ACM，kernel研发，软件系统工程等（加分项）

岗位描述

你将深度参与 RL Instance 构建方法与自动化产线体系的前沿研究，具体包括：

1. 高价值场景挖掘与问题构建：探索如何结合训练目标，科学确定 RL 数据的能力覆盖范围与优先级。通过深入分析主流 Benchmark 及模型评测结果，从海量、多源数据中挖掘高价值样本，并将其转化为清晰、可执行的问题描述——这是整条训练链路的起点，也是决定模型能力上限的关键一环。
2. 自动化环境构建与 Verifier 设计：探索如何批量、规模化地构建 Agent 运行环境，并将模糊的质量目标拆解为可执行、可量化、可扩展的评估标准（Verifier / Rubric）。从正确性、完整性、鲁棒性等多维度设计评价体系，持续攻克 Reward Hacking 等前沿难题，确保评估信号始终与训练目标精准对齐——这是一项兼具工程严谨性与算法创造力的挑战。
3. 从0到1搭建批量化、工业级的数据生产与验证 Pipeline，涵盖任务生成、轨迹采样、自动校验、质量过滤等环节。对 Rollout 结果进行预校验与失败原因分析，前置修复题目模糊、环境配置不合理等噪声问题，为后续训练提供可靠、可追溯的高质量数据资产。
4. 与领域专家和后训练算法等团队紧密配合，将模型效果反馈转化为数据策略调整（任务难度、Reward 信号、标注规范等）；与标注、工程等团队协作，推动产线持续优化
5. 持续对标业界最前沿方案，将业务实践沉淀为学术成果，支持在 NeurIPS、ICLR、ICML 等顶级会议发表高质量论文，或推动相关算法与工具的开源，在学术界与工业界建立个人及团队的行业影响力。
1. 计算机、数学/统计、电子信息或相关专业博士学历，具备 RL/Post-Training 方向的研究经历，或机器学习 Applied Scientist 相关工作经验，熟悉 PPO、GRPO、DAPO 等主流 RL 算法及其工程实现细节。
2. 具备扎实的 Python 工程能力，熟悉主流 harness/agent 框架，能够独立完成数据处理脚本、自动化 Pipeline 的设计与开发；有大规模 RL 训练相关项目经验者优先。
3. 具备较强的自驱力、学习能力、创新意识、沟通协作能力与抗压能力；对 LLM、AGI/ASI 等前沿方向抱有浓厚兴趣，认同并践行 AI Native 的工作范式。
4. 在ICLR、ICML、CVPR、ICCV、ACL、NeurIPS等顶会上发表过高质量论文，有高质量github开源项目者优先（加分项）
5. 具有业界 LLM/Agent 相关团队的实习经验者优先（加分项）
6. 有某个领域任务深度经验者优先，如数学物理science，ACM，kernel研发，软件系统工程等（加分项）

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →