同花顺基座后训练算法工程师（强化学习方向）

工作描述

任职要求
【工作内容】
1、负责智能体基座模型后训练算法的设计与落地，覆盖 SFT、DPO、RLHF、RLVR 等训练范式，持续提升模型在金融任务上的能力表现。
2、负责奖励体系设计，包括规则奖励、可验证奖励、Reward Model 与 Judge Model 的训练与校准，解决奖励作弊与目标错配问题。
3、负责 Agentic RL 训练链路建设，包括多轮轨迹采样、工具调用环境接入、长程信用分配与训练/采样效率优化。
4、负责后训练过程的稳定性工程，包括熵坍缩、能力遗忘、KL 失控等问题的诊断与治理，保障多阶段训练的可控与可复现。
5、负责能力归因与迭代闭环，与数据评测、金融研究团队协作，将评测暴露的能力短板转化为下一轮训练目标。

【职位要求】
1、本科及以上学历，计算机、人工智能、数学、统计学等相关专业优先。
2、熟悉大语言模型与智能体基本原理，深入理解 SFT、偏好学习与强化学习的训练流程与失效模式。
3、熟悉 PPO、GRPO 等策略优化算法，熟练使用 verl、OpenRLHF、TRL 等主流后训练框架。
4、具备扎实的 Python 与 PyTor…