米哈游
LLM Post-train 算法研究员（生产数据 / Agent 自进化方向）- AI引擎
LLM Post-train 算法研究员（生产数据 / Agent 自进化方向）- AI引擎
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Agent Rl
Grpo
Llm
Ppo
Pytorch
Sft
Vllm
分布式训练
强化学习
值不值得投
82综合评分
综合评分 82
大模型后训练核心算法岗，技术前沿且成长空间大，薪资竞争力强，但研发压力与实验挑战较高。
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。
薪资怎么样
5.8万
比机器学习工程中位数高
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 920 个在招 · 其中机器学习工程 9 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 360 个在招
职位详情
关于这个职位
该职位负责基于公司真实生产数据构建大模型训练数据，搭建模型自我提升的训练闭环，并独立完成SFT与强化学习训练
你需要设计RL任务与环境，建设评测体系，驱动大模型能力的持续迭代与上线效果归因
最低要求
硕士及以上学历，计算机、数学、人工智能等相关专业，数理与工程基础扎实
有后训练实战经验：独立完成过 SFT 及至少一轮 RL 训练（PPO / GRPO / DAPO / DPO 任一）
熟悉 transformers、LLaMA-Factory / TRL、verl / OpenRLHF 中至少一套
熟悉 PyTorch 及多机多卡分布式训练
熟悉主流推理框架（vLLM / SGLang / TensorRT-LLM 等），了解 KV Cache、量化、continuous batching、投机解码等常见优化技术
具备扎实的强化学习基础：理解策略梯度、值函数估计、探索与利用、稀疏奖励、credit assignment，能判断具体问题适合用 RL 还是 SFT 解决
有奖励设计、verifier 或评测集构建经验，能够识别和防范 reward hacking 与指标失真
数据能力强：能从真实业务数据中提炼出可训练的任务与可验证的信号
工作职责
负责基于公司真实生产数据（研发与内容生产过程中的任务记录、操作轨迹、产物、评审与返工记录）构建训练数据，打通数据采集、清洗、任务构造、训练、评测与回流的完整流程
搭建模型自我提升（RSI）的训练闭环：通过模型自生成数据、自我批判、迭代蒸馏、自动课程等方式，以可验证奖励和真实生产结果为训练信号，持续迭代模型能力
建立训练闭环的监控机制，及时发现能力漂移、reward hacking、分布偏移等问题，保证实验可回滚、可审计
独立完成 SFT、偏好对齐、强化学习（PPO / GRPO / DAPO 等）的训练与调参
设计 RL 任务与环境，构建 reward model、verifier 与规则校验，将任务完成标准转化为可训练的信号
建设离线与在线评测体系，以评测结果驱动版本迭代，给出模型上线、回滚的结论，并负责上线后的效果归因
优先资格
有 Agent RL 经验：多轮长时程任务、工具调用、沙箱与 rollout 基础设施
落地过数据闭环、持续学习或增量训练
熟悉 Code Agent、AI 搜索、RAG 中至少一种应用，了解其真实的失败模式
有 CUDA 或算子级优化经验，能独立优化训练与 rollout 吞吐
在 NeurIPS / ICML / ICLR / ACL / EMNLP 等会议发表过论文，或有 OI / ACM 等竞赛获奖经历
AI 洞察
优缺点分析
优点
- 依托公司真实生产数据与丰富业务场景，模型训练有高质量数据支撑，落地价值高
- 超大型企业平台，算力资源充足，能支撑大规模分布式训练与复杂实验
- 强化学习与后训练调参难度大，容易遇到reward hacking、分布偏移等问题，需要极强的排查与解决能力
- 业务场景复杂，从真实数据提炼可训练信号的难度高，需要深入理解业务逻辑与模型原理
- 适合具备扎实强化学习基础、有大模型后训练实战经验，且对Agent自进化方向有浓厚兴趣的算法工程师
缺点 / 挑战
- 接触最前沿的大模型后训练与Agent自进化技术，技术栈极具前瞻性与挑战性
角色解读
- 纵向可成长为大模型算法专家或AI引擎技术负责人，主导核心模型架构与训练策略演进
- 横向可向Agent研发、AI应用落地等方向拓展，将底层模型能力转化为实际业务生产力
- 负责大模型后训练（Post-train）流程，基于真实生产数据构建训练数据，打通从采集到回流的完整闭环
- 搭建模型自我提升（RSI）机制，通过自生成数据、迭代蒸馏等方式持续迭代模型能力
- 独立完成SFT与强化学习（PPO/GRPO等）训练，设计RL任务与环境，构建奖励模型与评测体系
- 具备扎实的后训练实战经验，能独立完成SFT及至少一轮RL训练，熟悉主流训练框架与推理框架
- 深入理解强化学习理论，具备奖励设计、verifier构建经验，能有效防范reward hacking
- 拥有较强的数据处理能力，能从真实业务数据中提炼可训练任务，并熟悉多机多卡分布式训练
申请策略
- 米哈游注重技术极客精神与对游戏/内容创作的热爱，面试中可适当展现对AI在内容生产领域应用的思考
- 重点突出独立完成的SFT与RL训练项目，详细说明使用的算法（如PPO/GRPO）、框架及最终效果提升
- 展示在奖励设计、verifier构建或防范reward hacking方面的具体经验与解决方案
- 强调分布式训练、推理框架优化（如vLLM）或CUDA算子优化等工程落地能力
- 深入学习Agent RL、多轮长时程任务及工具调用相关技术，了解Code Agent或RAG的真实失败模式
- 熟悉最新的大模型后训练论文（如DAPO、RSI相关研究），掌握自我批判与迭代蒸馏的前沿方法
面试指南
- STAR法则：针对项目经验，按照情境、任务、行动、结果的逻辑清晰阐述，重点突出技术难点与解决思路
- 对比分析法：在回答算法选择或框架对比时，从原理、优缺点、适用场景三个维度进行结构化对比
- 请详细描述你独立完成的一次RL训练项目，遇到了哪些reward hacking问题，是如何解决的？
- 在从真实业务数据构建训练数据时，如何保证数据质量并提炼出可验证的训练信号？
- PPO和GRPO在训练机制上有什么核心区别？在什么场景下你会选择GRPO？
- 如何设计一个有效的verifier来评估Agent在多轮长时程任务中的表现？
- 在分布式训练中，如何处理多机多卡环境下的通信瓶颈与显存优化？
- 复习强化学习核心概念（策略梯度、值函数、信用分配等），并准备至少两个深度的后训练项目案例
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
大模型核心算法岗，技术门槛高，薪资处于市场高位，且公司盈利能力强，薪酬福利具备较强竞争力。
薪资信号未披露（AI估算：4千–7.5万/月）
成长发展
95较高
岗位聚焦大模型后训练与Agent自进化等前沿方向，技术栈极具前瞻性，能极大提升个人在AI领域的硬核技术壁垒。
技术前沿前沿/新兴技术
技术栈LLM、SFT、PPO、GRPO、DAPO、DPO、PyTorch、vLLM、Agent RL、RSI
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与加班情况，但大模型算法岗通常面临较高的实验压力与迭代节奏，WLB情况需具体确认。
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
推动AI技术在游戏与内容生产领域的落地，赋能创作者提升效率，具有较高的行业应用价值与创新意义。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs