牛大妈在校招职位搜索Ace顶尖实习生Agentic RL技术研究 有 4 条结果

招聘城市：北京，上海，杭州
…
研究重点包括：如何构建trajectory-level reward、如何在工具调用与多步推理中进行credit assignment，以及如何在高成本环境下进行高效的offline/online混合训练。平台提供真实任务环境与多样化Agent执行数据，使研究从离线benchmark走向真实交互场景。该方向有望推动RL从模型对齐走向复杂任务能力学习，形成新一代Agent优化范式。
任职要求：
1、不限年级，本科及以上在读，计算机/人工智能/软件工程等相关专业优先；
2、扎实的编程能力和算法功底，熟练掌握Python/C++/Java等至少一种编程语言；
3、扎实的机器学习/深度学习理论基础，有大规模推荐系统、计算广告、搜索引擎等核心算法项目经验；
3、有LLM/MLLM等多模态理解技术背景，或大规模模型训练实际项目…

招聘城市：北京，上海，杭州
…采样数据与高频梯度更新的能力，传统的单机或小规模集群已难以满足算力与吞吐的指数级增长。
本课题旨在研究并构建一套高扩展、低延迟的大规模RL训练框架，核心内容涵盖分布式采样引擎的优化、异构算力资源的高效调度、以及计算与通信的深度并行化策略。然而，该领域面临着严峻的技术挑战：
一是如何在保持高吞吐采样（High Throughput）的同时，解决分布式环境下数据回传的通信瓶颈（Communication Bottleneck）；
二是针对RL特有的数据非平稳性，如何保障在大规模异步训练下的算法收敛稳定性与超参数鲁棒性；三是涉及CPU仿真环境与GPU神经网络训练之间的精细负载均衡，以最大化集群利用率并…

招聘城市：北京，上海，杭州，深圳
…
本课题聚焦全模态Agent（GUI操作、代码生成、网页导航）在长程交互任务领域的算法研究。旨在解决Agent执行跨越数百至数千步的复杂任务时，传统强化学习仅依赖终态奖励信号，导致信用分配路径过长、梯度信号衰减，策略优化难以收敛的问题。研究方向包括：设计层次化时间抽象信用分配机制，缓解长程任务中flat policy的优化不稳定问题；设计验证跨模态可验证奖励机制，抑制Reward hacking对训练过程的干扰，实现全模态长程Agentic RL 稳定收敛。该研究成果将在WebArena、SWE-bench等主流评测基准上验证方法的有效性，应用于公司内社区生态Agent基座、AI跨模态深度搜索等业务场景，并集成至自研开源的强化学习引擎Relax，增强业界影响力…

招聘城市：北京，上海，杭州
…负载持续增长等问题，缺乏有效的自我监控与恢复能力。研究将围绕复杂真实多样的 RL 训练环境合成、特定场景下长程稀疏奖励下关键决策步骤的信用归因，以及主动规划与长程目标对齐等核心问题展开。
任职要求：
1、不限年级，本科及以上在读，计算机/人工智能/软件工程等相关专业优先；
2、优秀的代码能力、数据结构和基础算法功底，熟练掌握至少一门编程语言，包括但不限于Python等；
3、有LLM/MLLM等多模态理解技术背景，或大规模模型训练实际项目经验者优先；
4、在TPAMI/CVPR/NeurIPS/ICCV/ICML/ICLR等顶级期刊会议上发表相关论文者优先；
5、良好的沟通协作能力，责任心强，积极主动，能和团队一起探索新技术，推进技术进步。