阿里巴巴
基于行为奖励与快慢脑协同的实时AI导购研究-阿里星/T-Star
基于行为奖励与快慢脑协同的实时AI导购研究-阿里星/T-Star
发布于 4 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
Ai Agent
Pytorch
Reward Model
Rlhf
Rlvr
Tensorflow
分布式训练
多模态
大模型训练
值不值得投
76综合评分
综合评分 76
顶尖人才计划，前沿技术密度高、成长空间大，薪资福利未披露，节奏偏紧凑。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
4.5万
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 4050 个在招 · 其中机器学习工程 约 220 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 300 个在招
职位详情
关于这个职位
该岗位属于阿里巴巴淘天集团阿里星/T-Star顶尖人才计划，加入AI助手算法团队，围绕“行为即奖励”与“快慢脑协同”两大前沿课题，参与购物场景统一大模型的训练、Agent框架设计与实时多模态交互研究，把大模型能力落地到淘宝的AI原生导购助手，用真实海量场景验证科研价值
最低要求
计算机科学/人工智能/机器学习等相关领域的硕士或博士，具备扎实的编程基础（Python/C++），熟悉常用算法与数据结构
深入理解强化学习（RLHF/RLAIF）理论或大模型推理加速机制，在NLP、多模态交互、搜推广系统中至少一个领域有深厚积累
熟练掌握PyTorch/TensorFlow等深度学习框架，有大规模分布式训练、模型微调或高性能推理引擎开发经验者优先
对AI Agent前沿技术充满好奇心，重点关注大模型Scaling Law、实时多模态交互、端云协同及强化学习在推荐/导购场景的应用
在顶级会议（如NeurIPS, ICML, ACL, CVPR等）发表过相关论文，或有复现SOTA模型及开源项目贡献者优先
具备极强的工程落地与问题拆解能力，能从海量用户行为数据中挖掘价值，并通过数据分析优化模型奖励机制或降低交互延迟
良好的跨团队协作能力，能与后端工程师、产品经理高效配合，将“行为即奖励”或“快慢脑”技术方案转化为真实的业务增长指标
对电商导购场景有敏锐洞察，愿意深入探索用户意图识别、多轮对话管理及商业转化逻辑
工作职责
● 全链路模型训练：深度参与购物场景统一大模型的完整训练周期——预训练退火 → SFT → RLVR → RLHF
你面对的是一个可以从底层塑造的模型
● Agent框架设计——让大模型真正“能办事”：设计大模型原生的Agent架构，通过Skill编排、Sub-agent协作等机制，将淘系搜索、推荐、交易、客服等全域能力注入AI助手，让模型不只是“能聊”，而是“能买、能比、能帮你做决定”
● 奖励信号发现——在真实场景中定义“什么是好”：基于淘天数亿用户的真实交互行为，挖掘和设计最能提升用户体验的奖励信号，用RL的方式让模型在电商场景下持续逼近SOTA体验
● 无人区探索——做业界还没有答案的事：探索异步实时Agent（在真实时间约束下又快又好）与原生Any-to-Any多模态（让模型原生理解和生成文字、图片、视频、商品卡片等）
课题1：Action-to-Rewards（行为即奖励）——利用淘宝海量用户真实行为构建可无限扩展的奖励信号，解决传统奖励模型无法规模化难题，通过将行为数据融入强化学习链路驱动模型从“做对”进化至“做好”
课题2：Duet快-慢脑协同架构——构建统一音频前端与快慢双脑协同机制，实现感知、即时应答与深度推理的并行处理，通过“边说边想”消除对话延迟与阻塞，打造低延迟、主动介入的实时多模态智能交互体验
优先资格
【加分项】
针对课题1：有基于真实用户反馈构建Reward Model的经验，或在大规模RLHF/在线强化学习链路中有实际落地成果
针对课题2：有流式音频处理、低延迟LLM推理优化（如Speculative Decoding）、或多模态端到端模型（Audio-Text）研发经验
拥有海量时序行为数据处理经验，或在Kaggle/天池等竞赛中针对推荐系统、对话智能体赛道获得优异成绩
AI 洞察
优缺点分析
优点
- 顶级人才计划，配备经验丰富的师兄带教与充足算力资源
- 亿级日活用户×丰富电商意图×可闭环商业验证，场景稀缺性极高
- 团队在RLVR、Agentic Training、多模态等前沿方向持续投入，技术前沿密度高
- 课题处在“无人区”，很多问题没有现成答案，需要很强的自驱与判断力
- 需同时兼顾前沿研究与工程落地，对综合能力要求高
- 竞争者多为顶会论文与开源项目兼备的优秀硕博，竞争激烈
- 适合对LLM/强化学习/AI Agent有强烈热情、兼具科研能力与工程落地能力、希望在真实大规模场景中验证科研价值的硕博同学
缺点 / 挑战
暂无明显挑战项
角色解读
- 沿AI研究科学家/算法专家路线成长，在LLM、强化学习、Agent等前沿方向持续积累研究影响力
- 有机会从模型训练到Agent系统再到产品体验一竿子插到底，成长为端到端技术负责人
- 参与购物场景统一大模型的完整训练链路，从预训练退火、SFT到RLVR、RLHF，亲手塑造面向电商的AI模型
- 扎实的强化学习理论（RLHF/RLAIF）与实战经验，理解大模型训练与推理加速机制
- 熟练使用PyTorch/TensorFlow，具备大规模分布式训练、微调或高性能推理开发能力
- 编程基础扎实（Python/C++），熟悉常用算法与数据结构，能拆解并落地复杂工程问题
- 对AI Agent、Tool-use、多模态交互等前沿方向有深入理解与好奇心
申请策略
- 提前了解淘天AI助手与阿里星/T-Star项目定位，明确自己更匹配“行为即奖励”还是“快慢脑协同”课题
- 准备一个能打动面试官的研究想法，说明如何用淘宝真实场景落地并验证
- 突出强化学习/RLHF/大模型训练的实战项目与落地成果，量化说明效果与规模
- 列出顶会论文（NeurIPS/ICML/ACL/CVPR等）与GitHub开源项目
- 强调分布式训练、推理加速或多模态相关工程经验
- 体现从数据到业务指标的闭环思维与跨团队协作经历
- 系统梳理LLM训练全链路（预训练→SFT→RLHF）与Agent框架设计的关键知识
- 补充流式音频、低延迟推理（如Speculative Decoding）、多模态端到端模型等加分技能
面试指南
- 用STAR法则讲清问题背景、你的方案、量化结果与反思
- 对开放研究问题，先给出你的判断框架，再讲取舍与验证思路，展现思考深度
- 结合淘宝场景，说明技术方案如何转化为用户体验与业务指标
- 请介绍你做过的一个RLHF/强化学习落地项目，奖励信号是如何设计的？
- 如何利用海量用户真实行为构建可扩展的奖励信号？你怎么看“行为即奖励”？
- Agent架构中，Skill编排与Sub-agent协作如何设计，如何保证可靠性？
- 如何优化实时Agent的延迟，做到又快又好？
- 多模态Any-to-Any模型中，如何实现原生理解与生成？
职位点评
薪资福利72
成长发展93
工作生活52
使命价值80
薪资福利
72中等
JD未披露具体薪资与福利，但作为面向硕博的顶尖研究人才计划，整体回报预期较高。
薪资信号未披露（AI估算：3.0千–6.0万/月）
成长发展
93较高
团队在前沿方向持续投入，提供师兄带教、技术分享与充足算力，技能成长与科研积累空间极大。
技术前沿前沿/新兴技术
技术栈强化学习、RLHF、RLVR、大模型训练、AI Agent、多模态、PyTorch、TensorFlow、分布式训练、Python、C++、Reward Model
成长机会师兄机制、灵活开放的技术氛围、技术分享、充足的算力资源、前沿密度、技术纵深
业务类型profit_center
工作生活
52较低
JD未提及办公模式与作息，作为研究型岗位节奏可能紧凑，工作地点在杭州/北京核心园区。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
面向亿级用户的AI导购，处于高速增长的AI赛道，且探索“无人区”具开拓性，研究与商业价值兼具。
行业发展高速增长赛道
社会影响中性/一般
使命信号服务于淘宝用户、提升用户体验、能买、能比、能帮你做决定
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