阿里巴巴
研究型实习生-大模型自进化（RSI）与 Agentic 前沿算法研究
研究型实习生-大模型自进化（RSI）与 Agentic 前沿算法研究
发布于 3 小时前实习/见习
实习生仅现场办公人工智能
人工智能
Pytorch
分布式训练
大语言模型
强化学习
智能体(Agent)
算法研究
顶会论文
值不值得投
77综合评分
综合评分 77
顶尖大厂AI前沿科研实习，侧重AGI自进化算法突破，学术产出导向强，工作节奏偏攻坚型。
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，方便比较实习机会。
薪资怎么样
1.2万
比人工智能中位数低
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 3570 个在招 · 其中人工智能 约 360 个
市场机会
选择面较广
北京 · 人工智能 · 约 650 个在招
职位详情
关于这个职位
负责探索大模型递归式自我改进（RSI）与智能体（Agent）前沿算法，构建可验证任务环境与长程强化学习训练体系
参与“AI训AI”闭环设计，开展自动化评测、数据合成与模型自进化机制研究，推动研究成果在顶会论文、开源项目及实际业务场景中落地
最低要求
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/博士在读，博士在读优先
具备扎实的机器学习、深度学习与强化学习基础，理解大语言模型的预训练、SFT、DPO、PPO/GRPO、RLHF/RLAIF/RLVR、奖励建模等主流技术
熟悉 Agent 关键技术与范式，如 ReAct、Tool Calling、Planning、Memory、Reflection、Multi-Agent、MCP 等
有从零搭建 Agent、训练环境、Benchmark 或自动化评测系统的经验
熟练使用 Python 与 PyTorch，具备良好的算法实现、系统调试和实验分析能力
熟悉至少一种主流后训练/RL 框架（如 verl、OpenRLHF、TRL、AReaL、slime 等），有多机多卡训练经验者优先
具备较强的科研能力与研究品味，能够独立完成文献调研、问题定义、方案设计、实验验证、消融分析和结果归因
具备良好的英文论文阅读、写作与技术表达能力
对“模型如何自主发现问题并持续改进”有强烈兴趣，愿意挑战长程信用分配、开放环境泛化、自动化评测和自我进化等高不确定性问题
工作职责
重点研究方向包括：
Agentic GYM 与可验证任务环境构建面向长程任务的 GYM/靶场与交互式训练环境，研究环境抽象、工具与协议接口、状态管理、沙箱隔离、确定性回放及结果校验
探索真实任务挖掘、程序化任务生成、难度分级、课程学习和对抗式环境演化，形成可 scale、可 verify、可复现的 Agent 训练基础设施
长程任务与 Agentic RL围绕多轮、长时序、稀疏奖励和开放式决策任务，研究规划、搜索、记忆、反思及工具使用等能力的联合训练
探索 RLVR、GRPO/PPO 及其变体、过程奖励与结果奖励、轨迹级/步骤级信用分配、分层策略、多智能体协同与自我博弈，解决长轨迹训练中的采样效率、方差控制、奖励投机和能力坍塌问题
Evaluation-Driven Learning 闭环构建“评测—诊断—数据—训练—再评测”的自动化飞轮：开展能力解构、Benchmark 与动态任务集建设，研究模型裁判、可验证奖励、过程监督、失败归因、弱点聚类和定向数据合成
提升评测的准确性、抗污染性和抗 Reward Hacking 能力，使 Evaluation 从结果度量升级为驱动模型持续学习的核心系统
RSI 与 AI 训 AI研究模型自举与递归改进机制，让 AI 参与提出任务、生成环境、合成数据、构造奖励、评审轨迹、发现缺陷并验证改进效果
探索 Teacher-Student、自蒸馏、自博弈、自动课程、协议进化与群体智能等范式，建立具有安全边界、可解释增益和回滚能力的 Self-Improving Agent
前沿研究与真实落地持续跟进 Agentic AI、Reasoning、RL、Test-Time Scaling、World Model、Synthetic Data 与 Automated AI R&D 等前沿方向
将研究成果沉淀为模型能力、GYM 环境、训练算法、评测基础设施和高质量数据资产，目标产出顶会论文、开源项目与具有实际业务价值的技术系统
优先资格
加分项（满足其一即可）
在 NeurIPS、ICML、ICLR、ACL、EMNLP、KDD、WWW、AAAI、IJCAI、SOSP/OSDI、USENIX Security、CCS、NDSS 等国际顶级会议或期刊以主要作者身份发表过论文，或拥有高质量 arXiv、开源项目及竞赛成果
有 Agentic RL、Long-Horizon Agent、Self-Play、Automated Curriculum、Synthetic Data、Reward Model/Evaluator Model 等方向的研究或工程实践
在 SWE-bench、GAIA、WebArena、BrowserGym、OSWorld、CyberGym 等长程任务或交互式 Benchmark 上有训练、评测或环境建设经验
熟悉 Docker/Kubernetes、分布式任务调度、沙箱隔离、可观测性或大规模 Rollout 基础设施，能够将研究原型建设为稳定系统
有程序分析、自动化代码生成/修复、网络安全靶场、CTF、红蓝对抗或复杂仿真环境经验
AI 洞察
优缺点分析
优点
- 接触AGI最前沿课题，技术栈极具前瞻性
- 依托巨头平台资源，算力与数据支持充足
- 成果可直接转化为顶会论文与开源项目，学术与工业价值双丰收
- 研究不确定性极高，需面对长程信用分配、奖励投机等难题
- 对科研品味与独立攻关能力要求严苛
- 适合具备扎实数理与编程基础、热爱前沿科研、追求技术突破且抗压能力强的硕博研究生
缺点 / 挑战
- 高强度脑力消耗与快速迭代压力较大
角色解读
- 向首席AI研究员或算法科学家方向发展
- 深耕大模型自进化与通用人工智能(AGI)前沿领域
- 积累顶会发表与工业界落地经验，成为AI底层架构核心专家
- 探索大模型递归自我改进(RSI)与智能体前沿算法，构建可验证任务环境与长程强化学习训练体系
- 设计“评测-数据-训练”自动化飞轮，推动AI自主进化机制落地
- 跟进前沿方向并将研究成果转化为顶会论文、开源项目与实际业务系统
- 扎实的机器学习/深度学习/强化学习基础
- 精通Python/PyTorch及主流RL后训练框架
- 具备独立科研能力与顶会论文/开源项目经验
- 熟悉Agent架构与分布式训练基础设施
申请策略
- 提前梳理个人科研主线与本文档研究方向的契合点
- 准备详细的实验记录与代码仓库链接供面试官深度考察
- 突出顶会一作/共一经历、开源项目Star数及竞赛排名
- 详细列出独立负责的Agent/RL实验设计与消融分析过程
- 强调多机多卡分布式训练与系统调优实战经验
- 深入研读最新RLVR/GRPO/RLHF相关顶会论文，掌握自动化评测与数据合成前沿方法
- 熟悉Docker/K8s及大规模Rollout基础设施部署
面试指南
- 采用STAR法则结构化阐述项目背景、核心挑战、技术方案选型依据、实验对比数据及最终结论
- 重点突出方法论的创新性与可复现性
- 请详细介绍你过去研究中解决长程信用分配或奖励建模的具体方案与难点
- 针对RLVR/GRPO，谈谈你对过程奖励与结果奖励权衡的理解
- 如何设计一个可验证、防污染的Agent自动化评测基准？
- 精读文档中提及的Agentic RL与RSI相关经典/最新论文
- 准备1-2个完整的端到端实验案例，涵盖数据构建、模型训练、评估归因全流程
- 熟悉主流RL框架源码架构
职位点评
薪资福利70
成长发展95
工作生活50
使命价值85
薪资福利
70中等
实习津贴处于互联网同类岗位市场中上水平，但作为短期科研实习，薪资福利并非核心吸引力。
薪资信号未披露（AI估算：8.0千–1.5万/月）
成长发展
95较高
提供接触AGI最前沿课题的机会，配备充足算力与数据资源，成果直接导向顶会论文与开源项目，成长路径清晰。
技术前沿前沿/新兴技术
技术栈大语言模型、强化学习、智能体(Agent)、RLVR、PyTorch、分布式训练
业务类型profit_center
工作生活
50较低
JD未明确说明办公模式，典型算法研究岗通常需配合团队进度集中攻关，研究攻坚期可能面临较高强度脑力消耗。
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
85较高
投身通用人工智能核心突破，致力于实现“AI训AI”与智能体可控自进化，具有显著的技术引领性与行业前瞻价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
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