招聘城市：北京，上海，杭州
…RL 训练环境，现有环境难以模拟长程任务中工具调用、状态变迁与多步依赖的真实分布；稀疏的结果奖励无法为上百步的中间过程提供有效训练信号，如何设计面向长程任务的 Reward Signal 与 Credit Assignment 机制是关键瓶颈；在推理侧，模型在长时执行中面临目标漂移、错误累积与上下文认知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…
…RL 训练环境，现有环境难以模拟长程任务中工具调用、状态变迁与多步依赖的真实分布；稀疏的结果奖励无法为上百步的中间过程提供有效训练信号，如何设计面向长程任务的 Reward Signal 与 Credit Assignment 机制是关键瓶颈；在推理侧，模型在长时执行中面临目标漂移、错误累积与上下文认知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…