阿里巴巴
研究型实习-大模型长程任务训练/Agentic算法
研究型实习-大模型长程任务训练/Agentic算法
发布于 9 小时前实习/见习
实习生仅现场办公人工智能
人工智能
Ppo
Pytorch
Rlhf
分布式训练
多智能体
大模型
强化学习
行为风控
值不值得投
82综合评分
综合评分 82
阿里大模型前沿研究型实习，技术栈顶尖、学术成长空间大，适合科研能力强的硕博生。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
1.2万
比人工智能中位数高
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 2870 个在招 · 其中人工智能 约 330 个
市场机会
选择面较广
杭州 · 人工智能 · 约 400 个在招
职位详情
关于这个职位
该职位为阿里巴巴的研究型实习岗，主要聚焦于大模型在行为风控场景下的长程任务训练与Agentic算法研究
你将参与Agent训练环境构建、强化学习信用分配、智能体自我进化及评测体系建设等前沿课题，探索多轮交互与复杂决策链路的技术方案
最低要求
博士在读优
计算机、人工智能、自动化、软件工程、信息安全、数学、统计等相关专业硕士以上学历
具备扎实的科研训练与研究品味：在 NeurIPS / ICML / ICLR / ACL / EMNLP / KDD / WWW / AAAI / IJCAI / USENIX Security / CCS 等国际顶级会议或期刊以第一作者/共同一作发表论文者优先
有高质量 arXiv 预印本、开源项目（可观 Star 数）或竞赛成绩者同等考量
熟悉大模型后训练与强化学习技术栈：SFT / DPO / PPO / GRPO 及其变体、RLHF / RLVR、奖励建模、Agentic RL
熟悉至少一种主流 RL 训练框架（如 verl、OpenRLHF、TRL、AReaL、slime 等）
熟悉主流 Agent 框架与范式（如 ReAct、Tool Calling、Multi-Agent 编排、MCP 等），具备从零搭建 Agent 系统或训练环境的实践经验
编程基础扎实，精通 Python，熟练使用 PyTorch，具备多机多卡分布式训练调试与工程排障能力
具备独立推动课题的能力：能够独立完成文献综述、问题定义、方案设计、实验验证与结果归因，具备良好的英文科技写作与学术表达能力
工作职责
Agent 训练环境与任务合成：面向风控场景场景，研究可scale，可verify的Agent训练环境与沙箱：环境抽象与工具接口设计、任务自动合成与难度分级、课程学习与"能力边界"自适应采样、执行结果驱动的自动化校验，探索环境规模化对 Agent 泛化能力的 scaling 规律
长程任务的强化学习与信用分配：围绕多轮、长时序、稀疏奖励的复杂风控任务，研究 Agentic RL 的训练稳定性与有效性问题：轨迹级/步骤级信用分配、过程奖励与结果奖励的耦合设计、Reward System 与可验证奖励（verifiable reward）构建、长轨迹下的方差控制与熵坍塌抑制、多轮 rollout 的采样效率优化，以及自我博弈（self-play）在动态对抗场景中的应用
Agent 自我进化与自动化协议工程：研究智能体的自动化演进机制，探索从人工提示工程向自动化协议工程的范式迁移
结合失败案例的自动归因、弱点聚类与定向数据生成，构建可持续自我改进的智能体系统
评测体系与 Benchmark 建设：针对长程 Agentic 风控任务设计系统化评测方案：任务分级、能力解构、过程可信度与结果正确性的联合度量、对抗鲁棒性评估
沉淀高质量 Benchmark 与评测基础设施，推动研究结论可复现、可比较
优先资格
博士在读优先
在 NeurIPS / ICML / ICLR / ACL / EMNLP / KDD / WWW / AAAI / IJCAI / USENIX Security / CCS 等国际顶级会议或期刊以第一作者/共同一作发表论文者优先
有高质量 arXiv 预印本、开源项目（可观 Star 数）或竞赛成绩者同等考量
AI 洞察
优缺点分析
优点
- 依托丰富的业务场景（行为风控）和算力资源，研究成果易于落地并产生实际业务价值
- 团队学术氛围浓厚，有机会在NeurIPS、ICML等顶会发表高质量论文
- 具备扎实科研基础、有顶会论文发表经验，且对大模型Agent与强化学习有浓厚兴趣的硕博在读生
缺点 / 挑战
- 接触大模型与Agent领域最前沿的研究课题，技术栈极具前瞻性和挑战性
- 长程强化学习与Agent训练存在较高的技术门槛，面临训练不稳定、方差大等难题，调试难度大
- 研究型岗位对独立发现问题、解决问题及英文科技写作能力要求极高，科研压力较大
角色解读
- 实习期表现优异可争取转正机会，成为大模型或Agent方向的核心算法研究员
- 积累顶会论文发表经验与大规模分布式训练工程经验，向AI Research Scientist或高级算法专家发展
- 构建和优化面向风控场景的Agent训练环境与沙箱，设计任务合成与自动化校验机制
- 研究长程任务中的强化学习算法，解决稀疏奖励下的信用分配与训练稳定性问题
- 探索Agent的自我进化机制与自动化协议工程，并建设长程Agentic任务的评测Benchmark
- 扎实的强化学习与大模型后训练基础，熟练掌握PPO、DPO等算法及主流RL训练框架
- 熟悉Agent框架（如ReAct、Multi-Agent），具备从零搭建Agent系统或训练环境的工程能力
- 精通Python与PyTorch，具备多机多卡分布式训练的调试与排障能力
申请策略
- 提前了解阿里在行为风控和通义大模型Agent方向的最新业务进展与技术博客，面试时展现对业务场景的理解
- 重点突出在NeurIPS、ICML等顶会的论文发表记录，或高Star的开源项目/竞赛成绩
- 详细列出在强化学习（RLHF/PPO等）和Agent框架（ReAct/Multi-Agent）方面的具体项目经验与工程落地成果
- 强调多机多卡分布式训练调试经验，以及独立推动科研课题的全流程能力
- 深入学习verl、OpenRLHF等主流RL训练框架的源码，提升分布式训练的工程排障能力
- 关注Agentic RL、自我博弈（self-play）及自动化协议工程的最新前沿论文，复现相关实验
面试指南
- STAR法则：针对工程或科研问题，清晰阐述背景、任务、具体行动（算法设计/工程优化）和最终结果（性能提升/论文发表）
- 理论+实践结合：回答算法问题时，先简述数学原理或理论动机，再结合具体代码实现或实验数据进行佐证
- 在长时序、稀疏奖励的强化学习任务中，你是如何解决信用分配和训练稳定性问题的？
- 请详细描述你从零搭建Agent系统或训练环境的经验，遇到了哪些工程挑战？
- 针对多机多卡分布式训练，你遇到过哪些显存或通信瓶颈？是如何排查和解决的？
- 你如何看待从人工提示工程向自动化协议工程的范式迁移？
- 复习强化学习核心算法（PPO、DPO等）的推导细节，并准备自己在项目中调参和优化的具体案例
- 梳理自己过往科研课题的完整逻辑链条，准备好应对关于“问题定义、方案设计、结果归因”的深度追问
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
作为头部科技公司的研究型实习，实习津贴标准处于行业前列，且转正机会带来的长期薪资回报预期较高。
薪资信号偏高 (8千–1.5万/月)
成长发展
95较高
岗位聚焦大模型与Agent最前沿技术，提供顶会论文发表机会与大规模算力资源，技术成长与学术发展天花板极高。
技术前沿前沿/新兴技术
技术栈大模型、强化学习、Agent、RLHF、PPO、PyTorch、分布式训练
成长机会扎实的科研训练、独立推动课题、英文科技写作
业务类型ambiguous
工作生活
60中等
研究型实习通常工作节奏较快，且涉及分布式训练调试和科研攻坚，可能需要弹性工作时间，WLB情况因团队和具体项目进度而异。
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
探索Agentic技术方案解决高度对抗的风控问题，推动大模型在复杂决策链路中的落地，具有较强的技术使命感与行业推动力。
行业发展高速增长赛道
社会影响中性/一般
使命信号探索Agentic技术方案、推动研究结论可复现、可比较
创新程度开拓性创新（行业首创）
Watch Jobs