Baidu logo
百度
大模型&Agentic RL实习生(J107371)

大模型&Agentic RL实习生(J107371)

发布于 2 小时前

实习/见习

AI 估算 · 8.0千–1.5万 · AI 参考估算
无经验要求
硕士
实习生仅现场办公AI算法
AI算法
Agentic Rl
Agent评估
Deepspeed
Fsdp
Grpo
Llm Post-Training
Ppo
Pytorch
Rlhf

值不值得投

72综合评分

综合评分 72

前沿大模型 Agentic RL 实习岗,技术成长强,办公与生活节奏信息不明确

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AI算法中位数高

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 1360 个在招 · 其中AI算法 15 个

市场机会

选择面较广

北京 · AI算法 · 约 240 个在招

职位详情

关于这个职位

这是一个面向大模型 Agent 与强化学习方向的实习岗位,重点参与长程多步任务、多工具调用场景下的 Agentic RL 算法研究与落地

你将围绕 PPO、GRPO、奖励建模、分布式训练、数据飞轮和 Agent 评估体系开展实验,推动研究成果在真实业务或模型版本中验证

最低要求

计算机、人工智能、数学、自动化或相关专业,硕士及以上学历,特别优秀的本科生也可考虑

强化学习基础扎实:熟悉 PPO、GRPO、REINFORCE 等主流 RL 算法,理解奖励设计、信用分配、探索-利用等核心问题
熟悉大语言模型训练流程:了解 SFT → RM → RL 的后训练链路,有 RLHF 或 LLM post-training 实践经验者优先
对 Agentic 系统有系统性理解:熟悉 tool use、ReAct、function calling 等 Agent 范式,理解多步推理与工具调用的基本机制
工程能力扎实:熟练掌握 PyTorch,具备大规模分布式训练经验(DeepSpeed / FSDP 等)者优先
能独立完成从问题定义、实验设计到结果分析的闭环
实习时间:每周至少 4 天,连续实习 3—6 个月以上
软性素质
对 Agent 与强化学习方向有持续热情,自驱力强,能在开放性问题中主动推进
具备良好的实验分析与论文阅读能力,能快速将前沿方法转化为可验证的实现
沟通协作顺畅,能与研究员、infra 团队及业务方高效配合

工作职责

Agentic RL 算法落地:探索面向长程、多步、多工具任务的强化学习训练范式,包括稀疏奖励下的信用分配、过程奖励建模(PRM)、结果奖励建模(ORM)、自我博弈与多智能体协同、可扩展 reward modeling,以及训练稳定性与样本效率优化

Agent 能力构建与后训练:针对真实业务或模拟环境中的 Agent 任务(搜索、代码、工具调用、多轮交互等),优化任务规划、反思与执行能力
研究并落地 PPO、GRPO 等 RL 算法在长链路 Agent 任务上的适配与调优,提升模型在复杂场景下的稳定性和成功
训练 Infra 与数据飞轮:参与环境构建、rollout 采样、分布式训练(DeepSpeed / FSDP 等)的全流程
与业务/数据团队协作,将真实 Agent 使用数据转化为高质量训练信号,构建持续迭代的数据飞轮
Agent 能力评估与落地:建立 Agent 能力评估体系,跟踪模型迭代效果,分析能力边界,推动研究成果在真实业务场景或模型版本中落地验证

优先资格

加分项

有以下方向相关经验者优先
Worker Agent:多工具长链调用、主动服务、个性化记忆、跨会话状态管理,以及面向真实用户反馈的 RL 闭环
Coding Agent:代码生成、Agent 轨迹合成、交互式评测,以及 Agentic RL / OPD 等后训练算法研究
多模态 / 创作 Agent:Agent SFT 数据合成、Agentic RL、Rubrics-based RL、Unified Reward System 等技术探索
在 GitHub 有高 star 开源项目,或在知名 Agent / LLM 开源社区有持续贡献
有 Agent 框架(LangChain / LangGraph / MCP 等)、复杂任务评测或程序化推理环境(WebArena、ALFWorld 等)的实践经验

AI 洞察

优缺点分析

优点

  • 岗位处于大模型 Agent 与强化学习前沿方向,能接触长程任务、多工具调用、奖励建模和分布式训练等高价值课题
  • 工作内容覆盖算法、数据、Infra 与评估闭环,有利于建立从研究到落地的完整能力链路
  • 职位明确提到真实业务或模型版本落地验证,实习经历具备较强实践含金量
  • 加分项覆盖 Coding Agent、Worker Agent、多模态创作 Agent 和开源社区贡献,适合已有相关项目积累的候选人展示差异化优势
  • 技术跨度较大,需要同时理解强化学习、大模型后训练、Agent 系统和分布式训练,学习曲线陡峭
  • 开放性问题较多,要求具备较强的论文阅读、实验设计、结果分析和自驱推进能力
  • 每周至少 4 天、连续 3—6 个月以上,对学业或时间安排有一定要求
  • 适合计算机、AI、数学、自动化相关专业,具备强化学习或大模型后训练实践,并希望深入 Agentic RL 前沿研究的硕士或优秀本科生

缺点 / 挑战

暂无明显挑战项

角色解读

  • 短期可以沉淀大模型后训练、强化学习调优、Agent 评估和数据飞轮构建等核心能力
  • 中期可向 LLM 算法研究员、RLHF/Agentic RL 工程师、后训练算法工程师或 AI Infra 联合方向深入发展
  • 长期可成长为大模型 Agent 算法专家、研究科学家或负责复杂智能体系统研发的技术负责人
  • 参与 Agentic RL 算法实验,围绕长程、多步、多工具任务设计奖励建模与训练方案,重点解决稀疏奖励、信用分配和训练稳定性问题
  • 针对搜索、代码、工具调用、多轮交互等 Agent 场景,优化任务规划、反思和执行能力,并调优 PPO、GRPO 等强化学习算法
  • 参与环境构建、rollout 采样、分布式训练和真实 Agent 数据转化,协助搭建可持续迭代的数据飞轮
  • 建立 Agent 能力评估体系,跟踪模型迭代效果,分析能力边界,并推动研究成果在业务场景或模型版本中验证
  • 需要扎实的强化学习基础,熟悉 PPO、GRPO、REINFORCE 等算法,并理解奖励设计、信用分配、探索与利用等核心问题
  • 需要了解大模型后训练链路,包括 SFT、RM、RL、RLHF 或 LLM post-training,并能将前沿论文方法转化为实验实现
  • 需要熟练掌握 PyTorch,具备分布式训练、实验设计、结果分析和工程闭环能力,有 DeepSpeed、FSDP 经验更佳
  • 需要理解 Agentic 系统机制,包括 tool use、ReAct、function calling、多步推理、工具调用和复杂任务评测

申请策略

  • 申请前梳理百度大模型、Agent 或相关开源生态的最新进展,面试中结合岗位方向说明自己的兴趣匹配度
  • 准备可复述的项目细节,尤其是实验失败原因、指标设计、消融分析和如何把论文方法落地为代码
  • 突出与 RL、RLHF、LLM post-training、Agent 或工具调用相关的项目,写清楚问题定义、方法选择、实验指标和最终结论
  • 展示 PyTorch 工程能力,以及 DeepSpeed、FSDP、分布式训练、rollout 采样或训练稳定性优化等实践经验
  • 如果有 GitHub 高 star 项目、开源贡献、Agent 框架实践或 WebArena、ALFWorld 等评测环境经验,应放在显眼位置
  • 强调论文复现与实验分析能力,例如复现 PPO、GRPO、PRM、ORM 或 Rubrics-based RL 方法,并说明改进点
  • 补强 PPO、GRPO、REINFORCE、奖励建模、信用分配和探索利用等强化学习核心知识
  • 熟悉 SFT → RM → RL 后训练链路,并动手实践一个小型 RLHF 或 Agentic RL 项目

面试指南

  • 项目类问题按“背景目标—方法设计—实验设置—结果指标—失败复盘—可迁移经验”展开,突出自己的独立贡献
  • 算法类问题先讲核心直觉,再讲公式或机制差异,最后结合 Agent 长程任务、奖励稀疏、样本效率等场景分析取舍
  • 工程类问题按“数据流—训练链路—评估闭环—稳定性与效率优化”回答,体现能从问题定义到结果分析闭环推进
  • 请介绍一个你做过的强化学习或大模型后训练项目,包括目标、方法、指标和结论
  • PPO、GRPO、REINFORCE 的核心区别是什么?在长链路 Agent 任务中各自可能遇到什么问题?
  • 稀疏奖励下的信用分配有哪些常见方法?PRM 和 ORM 分别适合什么场景?
  • 你如何理解 Agentic RL 与传统 RLHF 的差异?tool use、ReAct、function calling 在训练中如何建模?
  • 如果使用 DeepSpeed 或 FSDP 做大规模训练,你会如何设计实验并处理训练不稳定问题?

职位点评

薪资福利62
成长发展92
工作生活45
使命价值78

薪资福利

62中等

JD 未披露薪资和福利信息,因此补偿性动机只能基于岗位层级与城市作有限判断。作为北京、上海的前沿算法实习岗,通常具备一定津贴吸引力,但原文没有明确福利承诺。

薪资信号未披露(AI估算:8.0千–1.5万/月)

成长发展

92较高

岗位高度聚焦 Agentic RL、大模型后训练、分布式训练和评估体系,技术前沿且实验闭环完整。JD 明确涉及前沿算法落地、真实业务验证和跨团队协作,对技能成长非常有利,但未提及晋升或培训机制。

技术前沿前沿/新兴技术
技术栈Agentic RL、PPO、GRPO、REINFORCE、RLHF、LLM post-training、PRM、ORM、DeepSpeed、FSDP、PyTorch、ReAct、function calling、LangChain、LangGraph、MCP、WebArena、ALFWorld
业务类型ambiguous

工作生活

45较低

JD 明确要求每周至少 4 天、连续实习 3—6 个月以上,但未说明办公模式、弹性安排或加班情况。北京、上海两地可选,但具体办公地点和工作节奏需与 HR 确认。

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

78中等

岗位聚焦大模型 Agent 能力建设、复杂任务执行和真实业务落地,属于 AI 前沿方向,具有较强技术探索价值。JD 未直接描述社会使命或公共价值,因此意义感主要来自技术前沿与业务落地。

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