阿里巴巴
Token Foundry-RL算法专家-Qwen
Token Foundry-RL算法专家-Qwen
发布于 大约 20 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Grpo
Ppo
Reward Modeling
代码生成
分布式训练
大模型
强化学习
值不值得投
79综合评分
综合评分 79
前沿技术、顶尖团队、高薪，但工作强度大，WLB一般。
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
65K
比机器学习工程中位数高
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 2140 个在招 · 其中机器学习工程 约 150 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 280 个在招
职位详情
关于这个职位
作为阿里巴巴Qwen团队的RL算法专家，你将专注于强化学习算法的研究与落地，推动大模型在推理、规划、编码等复杂任务中的能力提升
工作涉及PPO、GRPO等算法的优化、Agentic RL链路建设以及长程任务训练，与研究员和工程师协作，持续迭代模型性能
适合对强化学习与大模型有深入理解和热情的技术人才
最低要求
计算机、人工智能、自动化等相关专业本科及以上学历，硕士/博士优先
在强化学习（RL）与 Agent 方向具备扎实基础与实际经验，深入理解 PPO、GRPO 等主流 RL 算法及训练方法
对真实任务场景与模型行为有较强洞察力，具备目标导向的问题分析与推进能力
工作职责
研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率
探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力
优化端到端 Agentic RL 链路，提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力
结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率
提升 RL 在长程任务与复杂开放任务中的表现，研究训练效率优化、复杂任务学习方法
探索多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 agentic verifier 的准确性和鲁棒性
与研究员和工程师协作，持续迭代 coding agent 与 long-horizon agent 的训练数据、奖励信号与执行环境
改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现
优先资格
有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练等相关经验者优先
具备复杂任务场景中的算法落地与系统优化经验者优先
AI 洞察
优缺点分析
优点
- 阿里巴巴平台资源丰富，算力充足，数据多样，有利于算法落地
- 团队氛围好，与顶尖研究员和工程师合作，能快速提升技术视野
- 薪资待遇优厚，福利完善，职业发展空间大
- 工作强度大，需要持续跟进前沿技术，保持学习热情
- 技术难度高，需要深入理解算法原理和系统优化，对综合能力要求高
- 竞争激烈，需要不断产出创新成果，推动模型性能提升
缺点 / 挑战
- 参与Qwen系列基础模型的研发，处于AI技术前沿，技术挑战大，成长快
- 适合对强化学习和大模型有浓厚兴趣，具备扎实算法基础和较强动手能力，追求技术挑战和快速成长的求职者
角色解读
- 在阿里达摩院或通义实验室，可成长为强化学习领域的资深专家，主导核心算法方向
- 有机会晋升为技术团队负责人，带领团队攻克前沿技术难题
- 可向AI研究员方向发展，发表顶级会议论文，提升学术影响力
- 研究并优化PPO、GRPO等强化学习算法，提升大规模RL训练的稳定性和效率
- 构建和优化端到端Agentic RL链路，增强模型在推理、规划、代码生成等场景的能力
- 探索长程任务和复杂开放任务中的RL方法，提升模型的自主性和执行表现
- 与研究员和工程师协作，迭代训练数据、奖励信号和执行环境，提升模型在真实任务中的表现
- 扎实的强化学习理论基础，深入理解PPO、GRPO等主流算法
- 熟悉大模型训练框架，具备大规模分布式训练经验
- 具备代码生成、Agent、Reward Modeling等相关经验者优先
- 良好的问题分析和目标导向的推进能力，对模型行为有敏锐洞察
申请策略
- 了解Qwen团队的技术方向和研究成果，在面试中展现对业务的思考
- 准备一个完整的RL项目案例，展示从问题定义到算法落地的全过程
- 突出强化学习项目经验，特别是PPO、GRPO等算法的实际应用
- 强调大模型训练或Agent相关项目，展示对RL训练流程的理解
- 展示代码能力和系统优化经验，体现解决复杂问题的能力
- 如有学术论文或开源项目，务必列出，增加竞争力
- 深入理解PPO、GRPO等算法原理，并动手实践
- 了解大模型训练框架，如Megatron、DeepSpeed等
面试指南
- 回答项目经验时，采用STAR法则，突出挑战、行动和结果
- 回答算法问题时，先阐述原理，再结合实践经验，最后总结优化方向
- 回答开放性问题时，展现逻辑思维和问题拆解能力
- 请详细介绍一下你在强化学习项目中的具体工作，包括算法选择、训练过程和效果
- 如何设计奖励模型来引导Agent在长程任务中的行为？
- 在大规模RL训练中，如何保证训练的稳定性和效率？
- 如何评估一个RL模型在真实任务中的表现？
- 你对RL scaling law有什么理解？
职位点评
薪资福利80
成长发展95
工作生活50
使命价值90
薪资福利
80较高
阿里巴巴作为行业巨头，提供有竞争力的薪酬和福利，但JD未明确具体薪资和福利细节。
薪资信号未披露（AI估算：50K-80K/月）
成长发展
95较高
该岗位处于AI前沿，涉及强化学习、大模型等新兴技术，技术挑战大，成长空间广阔。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、GRPO、大模型、Agent、Reward Modeling
业务类型profit_center
工作生活
50较低
工作地点在北京/杭州/上海，但JD未提及工作模式，互联网大厂节奏可能较快。
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
90较高
Qwen作为国内领先的大模型，推动AI技术发展，具有较高的社会影响力。
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）
Watch Jobs