科大讯飞
【星火X计划】面向自主持续学习的基础大模型训练技术研究(J13979)
【星火X计划】面向自主持续学习的基础大模型训练技术研究(J13979)
发布于 大约 8 小时前实习/见习
合肥市 / 北京市
无经验要求
实习生
仅现场办公
硕士
机器学习工程
Agentic Rl
Grpo
Ppo
Pytorch
分布式训练
大模型
强化学习
自主持续学习
递归式自我改进
AI 估算 · 8k–15k
AI顶尖人才计划，实习薪资较高，结合城市与岗位竞争力综合评估。
职位详情
关于这个职位
这是一份科大讯飞星火X顶尖AI人才计划的研究实习岗位，专注于基础大模型的自主持续学习技术
你将深入研究强化学习、Agentic RL和递归式自我改进等前沿方向，参与构建下一代大模型训练体系
适合对AI前沿研究有强烈兴趣、具备扎实算法和编程能力的在读硕士或博士
最低要求
届及以后在读硕士及以上学历，计算机科学、人工智能、自动化、电子信息、数学、物理等相关专业
其他专业但具备突出研究和动手能力者同样欢迎
对强化学习、大模型推理、智能体和自主学习具有强烈兴趣，具备扎实的大模型强化学习算法和训练基础，熟悉PPO、GRPO、OPD等常见的大模型后训练和强化学习算法，拥有大语言模型强化学习相关实习或项目经历
具有扎实的编程和计算机系统基础，精通Python等语言，熟悉PyTorch及主流分布式训练框架，具备优秀的工程实现能力
熟悉Linux、Git、推理引擎、分布式训练系统和大规模数据处理流程
对自主持续学习、开放式学习、模型自我验证或递归式自我改进等前沿方向具有深入思考，能够在缺少成熟范式和标准答案的开放问题中开展探索性研究，愿意持续解决开放性、高不确定性的技术问题
具备良好的沟通协作能力、自驱力和责任意识，能够独立负责重要研究方向，并推动算法、数据、系统和业务团队之间的协同落地
工作职责
本课题围绕Reasoning RL、Agentic RL、自主持续学习与递归式自我改进等关键技术方向开展研究，探索从离线训练、在线强化学习、环境交互学习到模型自主生成目标、自主构造训练数据、自主验证和持续更新的完整技术体系，构建具备深度推理、复杂决策、长期探索和持续自我提升的下一代大模型
你将研究从奖励建模、可验证强化学习、策略优化、过程监督，到智能体环境交互、在线学习的完整技术验证
构建面向推理、代码、工具使用和开放环境任务的强化学习基础设施与评测体系，探索通向自主持续学习和递归式自我改进的技术路径
【课题挑战】
Agentic RL与长时程Credit Assignment：面向代码智能体、复杂工具调用智能体，任务通常包含数百至数千步环境交互，且反馈稀疏、延迟并带有较强噪声
需要研究层次化策略学习、轨迹级与步骤级价值估计、反事实信用分配、失败恢复和探索策略，使模型能够从长程交互轨迹中有效学习规划、推理、工具选择和环境操作能力
开放环境中的探索与自主学习：自主智能模型需要主动发现未知问题、识别能力短板并生成具有适当难度的训练任务
需要探索模型的能力边界探测、开放式探索、内在奖励和自博弈机制，形成“发现问题—尝试解决—验证结果—更新能力”的自主学习循环
递归式自我改进的稳定性与可控性：模型自主改进可能带来能力快速增长，也可能产生目标漂移、评估失效和累积性错误
需要探索模型生成训练数据、改进算法、优化智能体框架乃至辅助研究流程的技术路径，建立稳定、可解释和可控制的实验范式
【课题价值】
突破大模型推理与决策能力上限：建立面向数学、代码、科学推理和复杂开放问题的通用强化学习方法，使模型从模仿已有答案迈向主动搜索、验证和发现更优解决方案
推动智能体从任务执行走向环境学习：使智能体能够在复杂软件工程、深度研究、数据分析和企业工作流中，根据真实执行反馈持续优化策略
建立模型自主持续学习能力：构建模型发现能力缺口、自主生成任务、自主采集反馈、自主验证结果并持续更新的技术闭环，使模型能够适应不断变化的知识、工具和环境
探索下一代模型自我进化路径：系统研究从强化学习、在线学习、自博弈和自动课程学习到递归式自我改进的关键技术，为具有持续成长能力的下一代大模型提供理论、算法和系统基础
优先资格
在 NeurIPS/ICML/ICLR/ACL/EMNLP/AAAI/IJCAI等相关会议或期刊发表高质量论文者优先
在ACM等高水平算法编程竞赛、CMO/IMO等数学竞赛或其他比赛中取得过优异成绩者优先
AI 洞察
优缺点分析
优点
- 参与最前沿的大模型训练研究，技术含量高，学术与工业价值兼具
- 科大讯飞提供平台资源和导师指导，研究氛围浓厚
- 课题方向长远，个人成长空间大，能积累稀缺的强化学习实战经验
- 研究难度大，面临开放性问题和高不确定性，需要较强的心理承受力
- 实习岗位，转正和长期待遇存在不确定性
缺点 / 挑战
- 可能工作强度较高，需要持续投入时间进行实验和阅读论文
- 适合对AI前沿研究充满热情、具备扎实算法功底、愿意接受高难度挑战的硕博在读生
角色解读
- 从实习研究员成长为AI算法专家，深入大模型核心技术领域
- 有机会发表顶级会议论文，积累学术影响力，成为行业稀缺人才
- 在科大讯飞内部可转向核心研发岗或技术管理岗，参与更大规模产品化研究
- 研究大模型强化学习算法，包括PPO、GRPO等后训练方法的优化与改进
- 构建智能体环境交互与在线学习的训练基础设施和评测体系
- 探索模型自主生成任务、自我验证和递归式自我改进的技术路径
- 扎实的强化学习和大模型训练基础，熟悉主流RL算法及实现
- 精通Python和PyTorch，熟悉分布式训练框架和大规模数据处理
- 对自主学习和智能体方向有深入思考，具备独立开展探索性研究的能力
- 良好的英文文献阅读和学术写作能力
申请策略
- 关注科大讯飞星火X计划官方信息，提前了解课题方向和研究团队成果
- 在简历或求职信中明确表达对自主持续学习课题的独特见解和兴趣
- 突出大模型强化学习相关项目经历，如RLHF、RL训练、分布式训练等
- 展示论文发表或编程竞赛获奖情况，证明研究能力和动手能力
- 强调对自主学习和智能体方向的深入思考，可附上相关技术博客或开源项目
- 熟悉PPO、GRPO等算法原理及实现，掌握PyTorch分布式训练技巧
- 阅读强化学习和智能体领域最新论文，了解Agentic RL前沿进展
- 参与开源RL项目或复现经典实验，提升工程实践能力
面试指南
- 对于算法理解题，从原理、优缺点、实际权衡切入，并举具体例子
- 对于项目经验题，使用STAR法则描述问题、行动、结果，并反思改进空间
- 对于开放性问题，先明确问题定义，再给出系统性解决思路和验证方法
- 请解释PPO和GRPO的区别，以及各自适用场景
- 如何设计一个奖励模型来指导智能体在开放环境中学习？
- 你在强化学习项目中遇到过哪些困难，如何解决？
- 谈谈你对递归式自我改进的理解，有哪些潜在风险？
- 如何评估一个智能体在长程任务中的表现？
职位点评
73
综合评分
AI顶尖研究实习岗，技术前沿性强，成长空间大，但工作强度和不确定性较高，WLB一般。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
更适合这类人
该职位最适合追求前沿技术成长、渴望学术突破、对AI研究有强烈使命感的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利55
成长发展92
工作生活50
使命价值85
薪资福利
55较低
实习岗位薪资面议，但作为顶尖AI人才计划，预计提供具有竞争力的实习补贴和福利。整体补偿性一般，稳定性较低。
薪资信号未披露（AI估算：8K-15K/月）
成长发展
92较高
该职位处于AI最前沿研究领域，涉及强化学习、大模型、自主持续学习等，技能成长和学术发展空间极大，发展性动机满足程度很高。
技术前沿前沿/新兴技术
技术栈强化学习、大模型、PPO、GRPO、Agentic RL、PyTorch、分布式训练、自主持续学习
业务类型ambiguous
工作生活
50较低
工作地点在合肥或北京，要求现场办公，未提及远程或弹性工时，生活便利性一般，WLB信息不明确。
工作模式仅现场办公
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
85较高
研究下一代大模型自主进化，推动AI技术进步，社会价值和使命感较强，处于高速增长赛道，意义感满足较好。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号推动智能体从任务执行走向环境学习、探索下一代模型自我进化路径
创新程度开拓性创新（行业首创）
科大讯飞 的其他在招职位
相似职位推荐
Watch Jobs