阿里巴巴
算法工程师-大模型Agentic Reward System
算法工程师-大模型Agentic Reward System
发布于 大约 8 小时前普通员工/个人贡献者
北京市 / 杭州市
专家级经验
全职员工
仅现场办公
本科
机器学习工程
Llm推理
Pytorch
Reward Model
Rlhf
Sglang
Vllm
大模型
强化学习
AI 估算 · 40k–70k
大厂核心算法岗，技术前沿且稀缺，薪资竞争力强，通常包含高额年终奖和股票激励。
职位详情
关于这个职位
该职位负责设计、训练和迭代大模型的Agentic Reward System，构建支撑大规模Agentic RL训练的奖励信号体系，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
你将探索可扩展的Verifier信号、推理路径压缩与统一模态Reasoning，并优化Reward Model在创作、人类偏好等专项上的能力，弥合Benchmark与用户体验的鸿沟
适合对强化学习、大模型对齐有深厚兴趣和扎实工程能力的研究型工程师
最低要求
本科及以上学历，人工智能、机器学习、深度学习、软件工程、相关专业优先
在深度学习、大规模模型训练、优化算法、生成式模型、自监督学习等领域有扎实的理论基础和实践经验，并至少在其中一个方向有学术成果或项目经历
具有较强的代码工程能力，精通 Python 以及 Pytorch 等深度学习框架，熟悉LLM推理引擎（如vLLM，SGLang）的实现
对基础模型的前沿问题有持续热情，具备独立思考能力和系统性研究思维，敢于挑战现有范式
能够独立应用技术解决复杂问题，主导或深度参与过有影响力项目的人选优先
具备跨学科视野与协作意识，能够与工程、产品等多学科团队紧密合作，推动研究成果快速落地并产生实际影响力
工作职责
负责基础模型 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
探索更多可 Scalable 的 Verifier 信号，通过强化学习（RL）提升模型的各项能力
研究 Reasoning Path 压缩和外推，实现更高质量的推理思考，并将 LLM 的推理能力与 Agent 及其他模态相结合，探索统一模态的 Reasoning
提升 Reward Model 在创作、人类偏好、指令遵循等各专项上的能力，减少 Reward Hacking 和 Bias，并研究面向 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
AI 洞察
优缺点分析
优点
- 阿里巴巴作为大厂，提供顶级平台和资源，接触大规模真实业务场景
- 岗位聚焦大模型前沿领域，技术含量高，个人成长快
- 薪资和福利优厚，有股票激励，职业发展路径清晰
- 与顶尖团队合作，有机会参与有影响力的项目
- 工作强度大，需持续学习，紧跟前沿技术
- 竞争激烈，需在学术和工程上都有突出表现
缺点 / 挑战
- 研究型岗位对创新能力和工程能力要求高，压力大
- 适合对强化学习和大模型有深厚热情，具备扎实算法功底和工程能力，敢于挑战技术难题的研究型工程师
角色解读
- 在阿里巴巴大模型团队中，可向技术专家或团队负责人方向发展，主导核心算法方向
- 随着大模型和Agent技术的爆发，该领域人才稀缺，可跳槽至顶尖AI公司或创业
- 可深入多模态、Agent等前沿方向，成为行业领军人物
- 设计并训练大模型的奖励模型（Reward Model），构建Agentic RL的奖励信号体系，提升模型在Coding、Agent等场景的对齐质量
- 探索可扩展的Verifier信号，通过强化学习提升模型能力，并研究推理路径压缩与外推，实现更高效的推理
- 优化Reward Model在创作、人类偏好等专项上的表现，减少Reward Hacking和Bias，并探索用户行为信号挖掘，弥合Benchmark与用户体验的差距
- 扎实的深度学习、大规模模型训练、优化算法理论基础，并有相关学术或项目成果
- 精通Python和PyTorch，熟悉vLLM、SGLang等LLM推理引擎的实现
- 具备独立解决复杂问题的能力，有系统性研究思维，能挑战现有范式
- 良好的跨团队协作能力，能与工程、产品团队紧密配合
申请策略
- 了解阿里巴巴大模型团队的业务方向，如通义千问、Agent应用
- 在面试中展示对前沿问题的思考和独立研究能力
- 突出在深度学习、强化学习或大模型训练方面的项目经验和学术成果
- 强调Python、PyTorch等技能，以及LLM推理引擎（vLLM、SGLang）的使用经验
- 展示独立解决复杂问题的能力，例如主导过有影响力的项目
- 体现跨团队协作和推动成果落地的能力
- 深入学习强化学习算法（PPO、DPO等）和Reward Model设计
- 熟悉vLLM、SGLang等推理引擎的源码，提升工程能力
面试指南
- 先阐述基本原理，再结合具体项目经验，说明设计思路和权衡
- 强调数据、模型、训练策略的综合考虑，并提及实际效果
- 展示对前沿研究的了解，并联系实际应用
- 如何设计一个针对Agent任务的Reward Model？
- 如何减少Reward Hacking？
- 如何将LLM推理能力与Agent结合？
- 如何评估奖励模型的效果？
- 如何实现高效的RL训练？
职位点评
74
综合评分
大厂前沿算法岗，技术成长空间大，薪资面议，但工作强度高。
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。
更适合这类人
适合追求技术前沿、渴望快速成长、能接受高强度工作的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展95
工作生活40
使命价值70
薪资福利
80较高
阿里巴巴作为大厂，薪资福利优厚，但具体薪资未披露，需面议。
薪资信号面议 (40K-70K/月)
成长发展
95较高
岗位处于大模型前沿，技术挑战大，成长空间广阔，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈PyTorch、RL、LLM、Agent、Reward Model、vLLM、SGLang
业务类型profit_center
工作生活
40较低
工作地点在北京/杭州，需现场办公，JD未提及弹性工作，互联网大厂工作强度通常较高。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
大模型技术是当前热门赛道，对社会有较大影响，但JD未强调使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs