阿里巴巴
Agentic RL Instance:环境和Verifier构建-阿里星
Agentic RL Instance:环境和Verifier构建-阿里星
发布于 2 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
Dapo
Grpo
Llm
Pipeline
Post-Training
Ppo
Verifier
强化学习
值不值得投
79综合评分
综合评分 79
阿里顶尖校招项目、聚焦大模型RL前沿研究、学术与工程并重、薪资极具竞争力但工作强度较大。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
6万
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 2920 个在招 · 其中机器学习工程 约 170 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 470 个在招
职位详情
关于这个职位
该职位专注于大模型强化学习（RL）环境与验证器（Verifier）的构建，负责从0到1搭建工业级数据生产与验证Pipeline
你将参与高价值场景挖掘、自动化环境构建及评估标准设计，并与算法团队紧密配合，推动模型能力上限的突破及前沿学术成果的产出
最低要求
计算机、数学/统计、电子信息或相关专业博士学历，具备 RL/Post-Training 方向的研究经历，或机器学习 Applied Scientist 相关工作经验，熟悉 PPO、GRPO、DAPO 等主流 RL 算法及其工程实现细节
具备扎实的 Python 工程能力，熟悉主流 harness/agent 框架，能够独立完成数据处理脚本、自动化 Pipeline 的设计与开发
有大规模 RL 训练相关项目经验者优先
具备较强的自驱力、学习能力、创新意识、沟通协作能力与抗压能力
对 LLM、AGI/ASI 等前沿方向抱有浓厚兴趣，认同并践行 AI Native 的工作范式
工作职责
高价值场景挖掘与问题构建：探索如何结合训练目标，科学确定 RL 数据的能力覆盖范围与优先级
通过深入分析主流 Benchmark 及模型评测结果，从海量、多源数据中挖掘高价值样本，并将其转化为清晰、可执行的问题描述
自动化环境构建与 Verifier 设计：探索如何批量、规模化地构建 Agent 运行环境，并将模糊的质量目标拆解为可执行、可量化、可扩展的评估标准（Verifier / Rubric）
从正确性、完整性、鲁棒性等多维度设计评价体系，持续攻克 Reward Hacking 等前沿难题
从0到1搭建批量化、工业级的数据生产与验证 Pipeline，涵盖任务生成、轨迹采样、自动校验、质量过滤等环节
对 Rollout 结果进行预校验与失败原因分析，前置修复题目模糊、环境配置不合理等噪声问题
与领域专家和后训练算法等团队紧密配合，将模型效果反馈转化为数据策略调整
与标注、工程等团队协作，推动产线持续优化
持续对标业界最前沿方案，将业务实践沉淀为学术成果，支持在 NeurIPS、ICLR、ICML 等顶级会议发表高质量论文，或推动相关算法与工具的开源
优先资格
在ICLR、ICML、CVPR、ICCV、ACL、NeurIPS等顶会上发表过高质量论文，有高质量github开源项目者优先
具有业界 LLM/Agent 相关团队的实习经验者优先
有某个领域任务深度经验者优先，如数学物理science，ACM，kernel研发，软件系统工程等
AI 洞察
优缺点分析
优点
- 处于AGI与大模型最前沿赛道，接触RL与Agent的核心技术，技术壁垒与含金量极高
- 依托阿里星顶尖人才计划，享有极高的薪资起点、丰富的算力资源及顶会发表支持
- 能够与业界顶尖算法专家共事，快速积累工业级大模型训练与数据产线的实战经验
- 需要兼顾工程落地（Pipeline搭建）与学术研究（顶会论文），对个人的时间管理与抗压能力要求极高
- 适合拥有计算机或数学等相关专业博士学历，在RL/LLM领域有深厚积累，且追求学术与工业双重影响力的顶尖技术人才
缺点 / 挑战
- 强化学习环境与Verifier设计属于前沿探索，面临Reward Hacking等未解难题，技术挑战与试错成本较高
角色解读
- 纵向可成长为大模型后训练领域的顶尖技术专家或首席科学家，主导核心算法演进
- 横向可向AI Native产品负责人或前沿技术团队Leader发展，兼顾学术影响力与工业界落地
- 负责大模型强化学习（RL）训练链路的起点，挖掘高价值场景并构建高质量的问题描述与数据集
- 设计并实现自动化Agent运行环境与Verifier评估标准，解决Reward Hacking等难题，确保评估信号与训练目标对齐
- 搭建工业级的数据生产与验证Pipeline，并与算法、标注团队协作，推动模型效果提升及顶会论文发表
- 扎实的强化学习（RL）与Post-Training理论基础，熟悉PPO、GRPO、DAPO等主流算法及其工程实现
- 优秀的Python工程能力，熟悉主流harness/agent框架，能独立开发自动化Pipeline与数据处理脚本
- 具备顶会论文发表经验或深厚的领域知识（如数学、物理、ACM等），对LLM/AGI有深刻理解
申请策略
- 提前了解阿里在大模型后训练及Agent方向的最新公开论文与技术博客，在面试中展现对前沿技术的敏锐度
- 准备好针对“如何构建高质量Verifier”或“如何解决Reward Hacking”等开放性技术问题的深度思考
- 重点突出在RL、Post-Training或LLM方向的顶会论文（如NeurIPS、ICLR等）及开源项目贡献
- 详细阐述在大规模RL训练、自动化Pipeline搭建或Agent框架开发中的具体工程实现与业务收益
- 展示在特定领域（如数学、物理、软件工程等）的深度任务经验，证明解决复杂问题的能力
- 深入学习PPO、GRPO、DAPO等最新RL算法的底层原理与分布式训练工程实现细节
- 熟悉主流Agent框架（如LangChain、AutoGen等）及Verifier/Rubric的设计方法论
面试指南
- STAR法则：针对工程与项目问题，按照情境、任务、行动、结果的框架，突出技术难点与量化收益
- 第一性原理：针对Verifier设计或Reward Hacking等开放问题，从RL的核心目标出发，拆解问题并给出系统性解决方案
- 请详细介绍你在RL/Post-Training方向的研究经历，以及PPO/GRPO等算法在实际项目中的工程实现细节
- 在设计Verifier或Rubric时，你是如何确保评估信号与训练目标精准对齐，并克服Reward Hacking问题的？
- 描述一次你从0到1搭建自动化数据Pipeline的经历，遇到了哪些工程挑战，如何解决的？
- 针对数学或代码等复杂领域，你认为应该如何挖掘高价值样本并构建有效的训练环境？
- 复习强化学习经典理论及最新大模型后训练（Post-Training）论文，准备1-2个自己主导的顶会论文或开源项目的深度讲解
- 了解阿里通义千问等大模型的最新技术进展，思考RL与Agent结合的未来发展方向
职位点评
薪资福利85
成长发展95
工作生活40
使命价值90
薪资福利
85较高
作为阿里顶尖校招项目，薪资处于行业头部，但JD未披露具体数字，综合评估其补偿性动机满足度较高。
薪资信号未披露（AI估算：4.5千–7.5万/月）
成长发展
95较高
岗位聚焦AGI前沿研究，支持顶会发表与开源，技术栈极具前瞻性，发展性动机得到极大满足。
技术前沿前沿/新兴技术
技术栈RL、PPO、GRPO、DAPO、LLM、Agent、Python、Post-Training
成长机会支持在 NeurIPS、ICLR、ICML 等顶级会议发表高质量论文、推动相关算法与工具的开源
业务类型profit_center
工作生活
40较低
JD未提及工作模式与WLB相关信息，且前沿算法研究岗位通常面临较高的工作强度与压力。
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
90较高
致力于AGI/ASI等前沿方向，推动大模型能力边界，具有极高的行业使命感与技术探索价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号对 LLM、AGI/ASI 等前沿方向抱有浓厚兴趣
创新程度开拓性创新（行业首创）
Watch Jobs