【B-UP】强化学习训练算法工程师（校招）

优缺点分析

角色解读

• 从算法工程师成长为高级算法专家，深入强化学习与生成模型交叉领域
• 有机会在顶级会议发表论文，提升学术影响力
• 可向技术管理或架构师方向发展，领导大型训练框架的建设和优化
• 设计并优化强化学习算法（如PPO、DPO），探索其在扩散模型去噪和多模态生成中的应用
• 搭建并持续优化强化学习训练框架，构建Agentic RL链路，提升训练效率和效果
• 参与奖励模型和偏好数据集的构建与迭代，设计针对生成质量的细粒度评价信号
• 跟踪ICML/NeurIPS/ICLR/CVPR等顶会前沿动态，将论文成果快速转化为内部技术原型
• 扎实的深度学习和强化学习基础，熟悉PPO、DPO、GRPO等主流算法原理
• 熟练掌握PyTorch，具备从零复现顶会RL论文代码的能力
• 了解Diffusion Transformer（DiT）和VLM模型架构，有多模态经验更佳
• 具备自然语言处理或计算机视觉背景，对生成模型有深入理解

申请策略

• 了解B站业务（如视频内容生成、AI特效），思考RL如何落地场景
• 展示对学术前沿的敏锐度，准备讨论顶会论文的创新点与局限性
• 突出强化学习项目经验，尤其是PPO、DPO等算法的实现与调优
• 强调扩散模型或LLM/VLM后训练（SFT/RLHF/DPO）的实践经历
• 展示PyTorch熟练度和复现顶会论文的能力，可附代码链接
• 如有顶会论文或投稿经历，务必在显眼位置标注
• 熟悉主流强化学习训练框架（如Ray RLlib、Stable-Baselines3），或自建简单的训练链路
• 深入学习DiT和VLM架构（如Stable Diffusion、LLaVA），并动手实现Demo

面试指南

• 从算法推导到工程实现，层层递进，展示深度理解
• 结合项目实例，说明面对挑战的解决方案和思考过程
• 体现对前沿技术的比较（如GRPO vs PPO），并给出自己的见解
• 请详细讲解PPO算法的原理和实现细节
• 你如何理解RLHF？在扩散模型中应用RL有什么挑战？
• 如何设计奖励模型来评价图像/视频质量？
• 你如何在大规模数据上训练强化学习模型？
• 谈谈你复现过的顶会论文，遇到过哪些问题？