购物智能体强化学习后训练算法探索

Job description

工作职责

• 面向复杂电商购物智能体场景，研究多轮工具调用与长链路决策下的强化学习核心问题。
• 攻坚稀疏奖励建模、信用分配及策略优化稳定性等技术瓶颈，探索新型Agentic RL算法落地。
• 深度挖掘海量用户行为日志，设计面向转化目标的多粒度Reward信号体系。
• 建立并完善面向购物Agent的系统性评测体系，以评测驱动模型能力持续演进。 任职要求
• 计算机科学、人工智能或机器学习等相关领域的本硕博在校生。
• 具备扎实的强化学习理论基础，熟悉PPO、GRPO、DPO等主流前沿优化算法。
• 具备优秀的工程代码能力，熟悉PyTorch及大规模分布式计算，拥有大厂相关实习经验者优先。
• 在Agent训练、工具调用（Tool-use）或多步推理相关方向有扎实的实战工作经验。
• 拥有大模型后训练实操经验，或在相关领域顶级会议有论文发表经历者优先。