大模型算法工程师（强化方向）

Job description

• 负责大语言模型强化学习全链路优化，包括高质量训练数据构建、奖励模型迭代（Reward Model / Process RM）、RL策略训练（PPO/DPO/GRPO等），持续提升模型推理质量与对齐效果；

探索强化学习前沿技术并推动落地，包括但不限于

• 推理时计算优化（Test-time Compute）、基于搜索的推理增强、多步Agent决策优化、在线学习与自我进化；
• 将大模型能力与美团搜索、推荐、广告等核心业务场景深度结合，设计并迭代基于RL的策略模型，实现可量化的业务目标提升。
• 计算机科学、自动化、数学、统计学等相关专业硕士或博士，扎实的数学基础和编程能力；
• 精通强化学习核心算法（Policy Gradient、PPO、DPO、GRPO等），理解Reward Modeling和RLHF/RLAIF对齐技术原理，有LLM对齐相关项目实践经验优先；
• 熟悉PyTorch，有大规模分布式训练经验（DeepSpeed/Megatron-LM/FSDP），能独立完成从数据处理到模型训练部署的全流程；

有以下经验者优先

• 大语言模型推理优化（vLLM/TensorRT-LLM）、Agent/工具调用场景RL训练、搜索推荐系统强化学习应用；
• 在ICML、NeurIPS、ICLR等顶级会议发表RL/LLM方向论文者优先；
• 良好的逻辑思维和沟通能力，自驱力强，乐于挑战开放性技术问题。

前沿技术深水区

• 直接参与千亿参数大模型的RL训练，每天面对业界最前沿的Scaling RL挑战；

端到端闭环落地

• 从算法研究到亿级用户场景验证，你的每一行代码都能产生真实业务价值，拒绝纸上谈兵；

技术驱动文化

• 团队鼓励顶会投稿、内部技术分享，你可以在工作中同步保持学术竞争力。