美团
大模型算法工程师（强化方向）
大模型算法工程师（强化方向）
发布于 大约 7 小时前普通员工/个人贡献者
北京市
专家级经验
全职员工
仅现场办公
硕士
机器学习工程
Deepspeed
Dpo
Fsdp
Grpo
Megatron-Lm
Ppo
Pytorch
Tensorrt-Llm
Vllm
AI 估算 · 40k–70k
美团作为大厂，算法岗位薪资较高，且要求硕士博士，资深岗位，月薪4-7万，15薪。
职位详情
关于这个职位
作为美团核心本地商业-基础研发平台的大模型算法工程师（强化方向），你将专注于大语言模型的强化学习全链路优化，包括数据构建、奖励模型迭代和RL策略训练，并探索前沿技术如推理时计算优化和多步Agent决策
你将与搜索、推荐、广告等核心业务深度结合，实现可量化的业务提升
该岗位要求硕士或博士学历，精通PPO/DPO/GRPO等算法，具备大规模分布式训练经验，适合对前沿技术有热情、追求学术与业务双重价值的资深算法工程师
最低要求
计算机科学、自动化、数学、统计学等相关专业硕士或博士，扎实的数学基础和编程能力
精通强化学习核心算法（Policy Gradient、PPO、DPO、GRPO等），理解Reward Modeling和RLHF/RLAIF对齐技术原理，有LLM对齐相关项目实践经验优先
熟悉PyTorch，有大规模分布式训练经验（DeepSpeed/Megatron-LM/FSDP），能独立完成从数据处理到模型训练部署的全流程
有以下经验者优先：大语言模型推理优化（vLLM/TensorRT-LLM）、Agent/工具调用场景RL训练、搜索推荐系统强化学习应用
在ICML、NeurIPS、ICLR等顶级会议发表RL/LLM方向论文者优先
良好的逻辑思维和沟通能力，自驱力强，乐于挑战开放性技术问题
工作职责
负责大语言模型强化学习全链路优化，包括高质量训练数据构建、奖励模型迭代（Reward Model / Process RM）、RL策略训练（PPO/DPO/GRPO等），持续提升模型推理质量与对齐效果
探索强化学习前沿技术并推动落地，包括但不限于：推理时计算优化（Test-time Compute）、基于搜索的推理增强、多步Agent决策优化、在线学习与自我进化
将大模型能力与美团搜索、推荐、广告等核心业务场景深度结合，设计并迭代基于RL的策略模型，实现可量化的业务目标提升
优先资格
有LLM对齐相关项目实践经验
有大语言模型推理优化（vLLM/TensorRT-LLM）经验
有Agent/工具调用场景RL训练经验
有搜索推荐系统强化学习应用经验
在ICML、NeurIPS、ICLR等顶级会议发表RL/LLM方向论文
AI 洞察
优缺点分析
优点
- 端到端闭环落地，算法直接应用于亿级用户场景，价值感强
- 技术驱动文化，鼓励顶会投稿和内部分享，学术竞争力强
- 技术难度高，需要扎实的数学和编程基础，持续学习
- 竞争激烈，需要不断产出成果
- 适合对强化学习和LLM有深厚兴趣，具备扎实算法功底，追求技术前沿和业务价值，能承受高强度工作的资深算法工程师
缺点 / 挑战
- 前沿技术深水区，直接参与千亿参数模型RL训练，技术挑战大
- 工作强度可能较大，需要自驱力强，乐于挑战开放性问题
角色解读
- 技术专家路线：深入强化学习与LLM前沿，成为领域专家
- 业务结合路线：将算法应用于美团核心业务，向技术管理或业务负责人发展
- 学术路线：鼓励顶会投稿，保持学术竞争力
- 负责大语言模型强化学习全链路优化，包括数据构建、奖励模型迭代、RL策略训练，提升模型对齐效果
- 探索前沿技术如推理时计算优化、多步Agent决策，推动技术落地
- 与搜索、推荐、广告等业务结合，设计RL策略模型，实现业务目标提升
- 精通强化学习算法（PPO、DPO、GRPO等），理解RLHF/RLAIF原理
- 熟悉PyTorch，有大规模分布式训练经验（DeepSpeed/Megatron-LM/FSDP）
- 有LLM对齐项目经验，熟悉推理优化（vLLM/TensorRT-LLM）者优先
申请策略
- 了解美团业务场景，思考RL如何应用
- 关注团队技术分享，展示技术热情
- 突出强化学习项目经验，特别是LLM对齐、RLHF相关
- 展示大规模分布式训练经验，如使用DeepSpeed/Megatron-LM
- 强调顶会论文或竞赛成绩
- 量化业务成果，如提升指标
- 补充推理优化经验，如vLLM/TensorRT-LLM
- 熟悉Agent/工具调用场景的RL训练
面试指南
- 结合项目经验，从原理到实践，突出细节和思考
- 展示问题解决思路，强调量化结果
- 体现对前沿技术的关注
- 请详细讲解PPO算法的原理和实现细节
- 如何设计奖励模型？遇到过哪些挑战？
- 如何在大规模分布式环境中训练LLM？
- 如何将强化学习应用于搜索推荐场景？
- 如何评估RL模型的效果？
职位点评
77
综合评分
大厂核心算法岗，前沿技术，薪资高，但工作强度大。
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
适合追求技术成长和业务价值，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50
使命价值70
薪资福利
80较高
大厂算法岗位薪资较高，福利完善，但未明确具体薪资，需面议。
薪资信号面议 (40K-70K/月)
成长发展
95较高
前沿技术，直接参与千亿参数模型RL训练，鼓励学术，成长空间大。
技术前沿前沿/新兴技术
技术栈PPO、DPO、GRPO、RLHF、PyTorch、DeepSpeed、Megatron-LM、vLLM
成长机会鼓励顶会投稿、内部技术分享
业务类型profit_center
工作生活
50较低
工作地点在北京，未提及远程或弹性，可能加班。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
技术驱动，业务价值高，但社会影响中性。
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