强化学习算法工程师

岗位定位： 本岗位属于大模型后训练与对齐方向，核心聚焦利用强化学习（RL）技术对金融垂类大模型进行行为优化与价值观对齐。你将负责从奖励模型构建到强化学习训练的全链路研发，致力于让大模型在金融高敏场景中更可靠、更安全、更可控。 岗位职责： 负责金融大模型的强化对齐（RLHF/RLAIF） 研发，包括奖励模型（Reward Model）的设计与训练、策略优化算法（如PPO、GRPO）的调优与落地，提升模型的有用性、安全性和金融专业能力。 针对金融对话与决策场景，构建基于强化学习的策略优化框架，优化模型在多轮对话中的意图识别、任务完成率及逻辑连贯性。 研究并应用前沿对齐技术（如DPO、IPO、Constitutional AI等），探索高效、轻量的偏好优化方案，降低训练成本，提升迭代效率。 设计并迭代奖励信号与评估体系，结合人工反馈与自动评估指标，构建可量化的模型行为评估闭环，驱动模型持续进化。 跟进强化学习与大模型对齐领域的前沿学术进展，探索可扩展的监督方法，推动技术创新在金融场景中的落地。 任职要求： 学历专业： 硕士及以上学历，计算机科学、人工智能、自动化、数学等相关专业。 理论基础： 深入理解强化学习核心算法（如PPO、DQN、策略梯度方法），熟悉大语言模型的后训练范式（SFT、RLHF、DPO等）。 编程能力： 熟练掌握Python，精通PyTorch框架，具备良好的工程实践能力，能独立完成模型训练与调优。 实践经验： 有大模型微调或强化学习训练的实际项目经验（含实验室项目或实习经历），熟悉至少一种RL训练框架（如DeepSpeed Chat、TRL、OpenRLHF等）。 加分项： 在NeurIPS、ICML、AAAI等顶会发表过强化学习或大模型相关论文；有奖励模型设计、偏好数据构建或线上策略优化经验；对金融场景有理解或兴趣。