阿里巴巴
Token Foundry-Reward System算法工程师-Qwen
Token Foundry-Reward System算法工程师-Qwen
发布于 大约 4 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Grpo
Ppo
代码生成
大语言模型
奖励系统
强化学习
数据飞轮
模型对齐
值不值得投
71综合评分
综合评分 71
前沿大模型核心算法岗，技术成长天花板极高，但工作强度与挑战并存。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
50K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2480 个在招 · 其中人工智能 约 160 个
市场机会
选择面较广
北京 · 人工智能 · 约 220 个在招
职位详情
关于这个职位
该职位隶属于阿里集团Qwen大模型团队，核心负责设计、训练与迭代面向Coding、Agent等高价值场景的Agentic奖励系统
你需要构建支撑大规模强化学习（RL）训练的奖励信号体系，解决奖励稀疏、信用分配等技术难题，并优化全链路训练效率，以提升模型的对齐质量与性能上限
最低要求
计算机、人工智能等相关专业硕士及以上学历，具备相关领域的顶会论文发表优先
扎实的工程能力，有工业界大语言模型SFT / RL 训练经验的优先（熟悉 PPO / GRPO 等完整流程）
对 Reward System 有独立的技术判断，能分析不同技术路线（Scalar RM / Gen RM / Pair-wise RM 等）的适用边界
有以下任一方向的深入经验者优先：
（1）Reward Model Training（Agent RM / Coding RM / Agentic RM）
（2）Coding / Agent Benchmark
（3）Credit Assignment / Reward Shaping / Multi-turn RL
工作职责
负责 Qwen 基座模型 Agentic Reward System 的设计、训练与迭代，构建支撑大规模 Agentic RL 训练的奖励信号体系，持续提升模型在 Coding、Agent 等高价值场景下的对齐质量与 RL 训练上限
Coding Reward System：构建面向 Code Agent 的 Reward System，设计 Evolving Rubrics 与 Code Verifier，实现 Outcome & Process Level 的自动化 Rewarding，解决长程 Coding Trajectory 下的 Credit Assignment 与 Reward 稀疏性问题
Agentic User Experience Reward：研究面向 Agent 任务的用户体验建模与 Reward 优化，探索 User Model Rewarding 与 Behavioral Signal Mining，弥合 Benchmark指标与用户实际体验之间的鸿沟
Reward System Infra：以 Reward 信号为核心构建数据飞轮，驱动数据筛选、难例挖掘与合成迭代
建设统一的 Reward 评估与标注框架，与 CPT / SFT / RL训练流程深度耦合，端到端优化全链路传导效率
优先资格
具备相关领域的顶会论文发表
有工业界大语言模型SFT / RL 训练经验（熟悉 PPO / GRPO 等完整流程）
有Reward Model Training（Agent RM / Coding RM / Agentic RM）或Coding / Agent Benchmark或Credit Assignment / Reward Shaping / Multi-turn RL的深入经验
AI 洞察
优缺点分析
优点
- 直接参与顶级大语言模型（Qwen）的核心研发，处于人工智能技术发展的最前沿
- 平台资源雄厚，有机会接触海量数据和顶尖的算力支持，进行大规模技术探索与落地
- 工作目标与模型性能直接挂钩，需要对复杂的训练结果进行归因分析和持续迭代，对问题解决能力要求极高
- 适合对大语言模型的强化学习与对齐技术有强烈兴趣和扎实积累，具备独立技术判断力，并渴望在核心技术领域做出突破的算法工程师或研究员
缺点 / 挑战
- 工作内容极具挑战性和创新性，能深度解决Agent、代码生成等高价值场景下的关键问题
- 技术难度极高，需要对强化学习、奖励建模有非常深入且独到的理解，创新压力大
角色解读
- 技术专家路线：在奖励系统与模型对齐领域深耕，成为该方向的技术权威或首席科学家
- 架构师路线：负责更大范围的模型训练基础设施设计，向AI平台或基础模型架构方向发展
- 管理路线：带领算法团队，负责核心模型或业务线的整体技术规划与团队建设
- 设计、训练和持续优化Qwen大模型的奖励系统，这是模型通过强化学习进行自我提升的核心信号源
- 针对代码生成和复杂Agent任务，专门构建Reward System，解决长序列任务中的信用分配和奖励稀疏问题
- 构建数据驱动的飞轮和评估框架，将奖励系统与模型的预训练、监督微调和强化学习全流程深度整合
- 扎实的机器学习与强化学习理论基础，特别是对PPO、GRPO等RL算法和Reward Modeling有深入理解
- 优秀的工程实现能力，能够将复杂的算法设计落地到大规模分布式训练系统中
- 对大语言模型训练流程（CPT/SFT/RL）有全局视野，能从系统层面优化训练效率
申请策略
- 面试前深入研究Qwen模型的技术报告，了解其现有能力与可能的改进方向，思考奖励系统如何助力其提升
- 准备1-2个你处理过的、涉及稀疏奖励或信用分配问题的复杂技术案例，理清思路
- 详细描述过往在大模型训练、强化学习（特别是RLHF/DPO）或奖励建模方面的项目经验与成果
- 突出在代码生成、Agent或多轮对话等复杂任务场景下的算法设计与优化经验
- 如有相关领域的顶会论文或技术博客，请务必在简历中显著位置展示
- 深入复习并实践PPO、GRPO等强化学习算法，特别是它们在LLM场景下的应用细节与挑战
- 研究前沿的Reward Modeling技术，如Scalar RM、Gen RM、Pair-wise RM，并了解其优缺点与适用场景
面试指南
- 对于理论问题：采用“定义问题 -> 分析挑战 -> 提出方案 -> 讨论权衡”的框架，结合具体场景说明
- 对于方案设计题：采用“明确目标 -> 拆解模块 -> 选择技术路线 -> 描述实现与评估流程”的结构化思路
- 对于项目经验题：使用STAR法则（情境、任务、行动、结果），重点突出你的技术决策和量化收益
- 请解释一下在大语言模型RL训练中，Reward Shaping和Credit Assignment分别是什么问题？你有哪些解决思路？
- 对比Scalar Reward Model和Generative Reward Model，你认为在Agent任务中各自的优劣和适用性是什么？
- 如何构建一个用于评估Code Agent性能的自动化Reward System？你需要设计哪些关键指标和验证器？
- 当模型在RL训练中表现出Reward Hacking时，你会从哪些方面排查原因并尝试解决？
- 请描述一个你主导或深度参与的、与本职位相关的技术项目，重点说明你设计的奖励机制及其带来的效果
职位点评
薪资福利65
成长发展95
工作生活40
使命价值85
薪资福利
65中等
作为上市公司核心算法岗，薪酬福利体系相对规范且具有市场竞争力，但JD未明确薪资福利细节，满足程度中等。
薪资信号未披露（AI估算：35K-65K/月）
成长发展
95较高
该职位涉及大模型最核心、最前沿的奖励系统与强化学习对齐技术，技术深度与创新性极强，能提供顶尖的技术成长平台。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、GRPO、Reward System、大语言模型、Agent、代码生成
业务类型ambiguous
工作生活
40较低
JD未明确工作模式与WLB信息，但作为高强度、高创新性的核心算法岗位，可能面临较高的工作与学习压力。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
参与构建顶级大模型的对齐系统，直接影响AI的能力与安全性，具有很高的行业技术价值和社会影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs