腾讯
校招微信搜索-强化学习算法研究
北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 面向计算机科学、人工智能、机器学习、应用数学等相关专业的硕士或博士同学；在顶级学术会议（如ICLR, NeurIPS等）有相关论文发表经验者优先。
- 技术技能要求：
- 熟练掌握Python及PyTorch等深度学习框架；深入理解强化学习算法（如PPO、DPO、RLHF）及大模型微调技术；有Search Agent、RAG或奖励模型（Reward Model）训练经验者优先。
- 软性素质要求：
- 具备极强的自我驱动力和解决复杂开放性工程问题的能力；拥有优秀的沟通协作精神，能快速适应敏捷迭代的研发节奏；对探索前沿AI技术充满热情。
岗位描述
【岗位职责】
课题背景：
随着大语言模型的发展，AI搜索正从简单的网页检索向自主规划的“智能体（Search Agent）”演进。传统的监督学习难以覆盖复杂的交互推理场景。为了提升AI搜索的准确性与有用性，亟需引入强化学习（RL）技术。通过构建符合人类评价标准（Rubrics）的奖励体系，引导Search Agent在多步搜索中进行自我进化与对齐，这是下一代智能搜索技术突破的关键所在。
课题挑战：
- 1、Rubrics的量化与奖励设计：AI搜索的评价维度复杂（涵盖事实性、时效性、全面性等）。如何将这些多维度的Rubrics转化为稳定、无偏且易于优化的奖励模型（Reward Model）是一大难点。
- 2、多步决策中的稀疏奖励：Search Agent在执行拆解问题、调用检索工具、阅读并总结等多步操作时，通常仅在最终输出时获得反馈。探索空间巨大导致奖励信号极度稀疏，训练难以收敛。
- 3、模型对齐与幻觉抑制：在RL微调过程中，模型极易出现“钻规则漏洞（Reward Hacking）”的现象。如何确保Agent在追求高分奖励的同时，严格遵循客观事实、抑制幻觉，并与人类真实搜索意图高度对齐，充满技术挑战。
具体工作：
基于AI搜索Rubrics，设计并训练多维度的高质量奖励模型（Reward Model）。
运用PPO或DPO等强化学习算法训练Search Agent，优化其多步推理与工具调用的决策链。
攻克训练中的Reward Hacking难题，端到端提升搜索系统的整体质量。
【任职要求】
面向计算机科学、人工智能、机器学习、应用数学等相关专业的硕士或博士同学；在顶级学术会议（如ICLR, NeurIPS等）有相关论文发表经验者优先。
技术技能要求：
熟练掌握Python及PyTorch等深度学习框架；深入理解强化学习算法（如PPO、DPO、RLHF）及大模型微调技术；有Search Agent、RAG或奖励模型（Reward Model）训练经验者优先。
软性素质要求：
具备极强的自我驱动力和解决复杂开放性工程问题的能力；拥有优秀的沟通协作精神，能快速适应敏捷迭代的研发节奏；对探索前沿AI技术充满热情。
【技术方向】
大语言模型、NLP
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
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）
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
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
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
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
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。