小红书【Dots】基模post train算法工程师-RL Algorithms
任职要求
基础要求 基础能力:扎实的机器学习与深度学习基础,对大模型训练全流程(pretrain / mid-train / post-train)有深入理解; 解决问题:逻辑严密的分析能力,能从复杂现象中抽象出底层问题并给出系统性方案; 专业能力:深刻理解并能解决 RL 训练中的核心问题,包括 Reward Hacking、Training Stability、Exploration Efficiency,以及长程信用分配、环境噪声 / 非-policy 负向 reward、训推一致性等真实工程化挑战; 动手能力:优秀的算法实现能力与工程性能感知,具备优秀的数据敏锐度,…
工作职责
团队简介 我们是 Dots 基座大模型的 Post-train 团队。我们相信，模型不只是记住世界，而是真正学会在真实世界中思考、行动与自我成长。团队聚焦可验证奖励 RL、长程 agentic 智能、综合推理与自我演进等最前沿的方向，构建下一代能在复杂真实任务中可靠工作、并持续自我迭代的基座模型。 工作职责 在以下一个或多个方向进行深度攻关。 1. Frontier Research Self Evolving：提升模型进行机器学习与大模型优化的能力，探索以 AI 加速 AI 研发的新范式：让模型参与到自身的训练、部署及 Agent 调度机制的迭代中，把改进的对象从"模型本身"抬升到"产生模型的研发流程"，构建可递归的能力增益回路，持续寻找下一代能力增长曲线。 Lifelong Learning：探索模型"学会学习"的 Meta 能力：让模型在与陌生、开放环境的在线交互中持续更新自身内部状态，无需重新训练即可积累经验，不断提升长期的 decision making 与任务完成能力。 Scalable Oversigh：在难以 verify 的 fuzzy / 开放式任务上，突破人类监督的扩展性瓶颈：研究可扩展的监督、自我评估与自我修正机制，让监督信号的质量能随模型能力一同增长，降低对外部人工反馈的依赖。 2. RL Algorithms 研究面向长程、多轮、稀疏奖励场景的 RL 算法,系统性解决信用分配、训练稳定性、探索效率等核心问题; 设计更有效、更鲁棒的奖励与评估信号,缓解 reward hacking、验证误差与奖励噪声对训练的干扰; 研发 Adaptive Thinking,使模型按任务复杂度动态调整思考深度,在保证效果的同时实现高效推理; 探索新的优化目标与训练范式,显著提升长程、稀疏奖励任务的收敛速度与样本效率; 与 infra / 工程团队协同,推进 rollout 加速、环境稳定性、训推一致性等工程化瓶颈的解决。 3. Agentic Intelligence 在 Proactive Agent、CLI/GUI 计算机控制，高价值专业知识任务、深度信息获取、 软件工程等任务上，提升模型的 Agentic 能力，让模型在高复杂度真实任务上达到行业前沿水平; 构建复杂、多样、多模态、可验证的 RL 环境，在复杂 harness 上开展 blackbox RL 训练,提升模型在长程、多工具、真实环境中的规划、执行与反思能力; 研究超长程任务下的多智能体协作、长程记忆与跨任务经验的积累复用； 建设可规模化的 Agent 训练环境与评测体系。 4. Reasoning 探索 RL Scaling Law,提升模型 general 的真实推理与反思能力(而非仅在特定任务或 Benchmark 上的表现) 在人类智能密度最高的领域(如顶尖数学、竞赛编程、前沿科学等)持续突破,向达到乃至超过人类顶尖水平的方向迈进。 推动推理与工具使用、真实环境的结合，并提升模型思考效率及 adaptive thinking 的能力。
我们相信，通向更高阶智能的路径不止于更大的 LLM。 Post-Training 正在成为模型能力跃迁的关键阶段：从“学会语言”走向“理解世界、优化行为、持续进化”。该岗位将深度参与 多模态、强化学习、自进化 Agent 系统 等前沿方向，探索超越纯预训练范式的新能力边界，构建可持续学习、可记忆、可进化的智能系统。 在 Proactive Agent、CLI/GUI 计算机控制，高价值专业知识任务、深度信息获取、 软件工程等任务上，提升模型的 Agentic 能力，让模型在高复杂度真实任务上达到行业前沿水平; 构建复杂、多样、多模态、可验证的 RL 环境，在复杂 harness 上开展 blackbox RL 训练,提升模型在长程、多工具、真实环境中的规划、执行与反思能力; 研究超长程任务下的多智能体协作、长程记忆与跨任务经验的积累复用； 建设可规模化的 Agent 训练环境与评测体系。
团队简介 我们是 Dots 基座大模型的 Post-train 团队。我们相信，模型不只是记住世界，而是真正学会在真实世界中思考、行动与自我成长。团队聚焦可验证奖励 RL、长程 agentic 智能、综合推理与自我演进等最前沿的方向，构建下一代能在复杂真实任务中可靠工作、并持续自我迭代的基座模型。 工作职责 在以下一个或多个方向进行深度攻关。 1. Frontier Research -Self Evolving：提升模型进行机器学习与大模型优化的能力，探索以 AI 加速 AI 研发的新范式：让模型参与到自身的训练、部署及 Agent 调度机制的迭代中，把改进的对象从"模型本身"抬升到"产生模型的研发流程"，构建可递归的能力增益回路，持续寻找下一代能力增长曲线 -Lifelong Learning：探索模型"学会学习"的 Meta 能力：让模型在与陌生、开放环境的在线交互中持续更新自身内部状态，无需重新训练即可积累经验，不断提升长期的 decision making 与任务完成能力 -Scalable Oversigh：在难以 verify 的 fuzzy / 开放式任务上，突破人类监督的扩展性瓶颈：研究可扩展的监督、自我评估与自我修正机制，让监督信号的质量能随模型能力一同增长，降低对外部人工反馈的依赖 2. RL Algorithms -研究面向长程、多轮、稀疏奖励场景的 RL 算法,系统性解决信用分配、训练稳定性、探索效率等核心问题 -设计更有效、更鲁棒的奖励与评估信号,缓解 reward hacking、验证误差与奖励噪声对训练的干扰 -研发 Adaptive Thinking,使模型按任务复杂度动态调整思考深度,在保证效果的同时实现高效推理 -探索新的优化目标与训练范式,显著提升长程、稀疏奖励任务的收敛速度与样本效率 -与 infra / 工程团队协同,推进 rollout 加速、环境稳定性、训推一致性等工程化瓶颈的解决 3. Agentic Intelligence -在 Proactive Agent、CLI/GUI 计算机控制，高价值专业知识任务、深度信息获取、 软件工程等任务上，提升模型的 Agentic 能力，让模型在高复杂度真实任务上达到行业前沿水平 -构建复杂、多样、多模态、可验证的 RL 环境，在复杂 harness 上开展 blackbox RL 训练,提升模型在长程、多工具、真实环境中的规划、执行与反思能力 -研究超长程任务下的多智能体协作、长程记忆与跨任务经验的积累复用 -建设可规模化的 Agent 训练环境与评测体系 4. Reasoning -探索 RL Scaling Law,提升模型 general 的真实推理与反思能力(而非仅在特定任务或 Benchmark 上的表现) -在人类智能密度最高的领域(如顶尖数学、竞赛编程、前沿科学等)持续突破,向达到乃至超过人类顶尖水平的方向迈进 -推动推理与工具使用、真实环境的结合，并提升模型思考效率及 adaptive thinking 的能力
探索 RL Scaling Law,提升模型 general 的真实推理与反思能力(而非仅在特定任务或 Benchmark 上的表现) 在人类智能密度最高的领域(如顶尖数学、竞赛编程、前沿科学等)持续突破,向达到乃至超过人类顶尖水平的方向迈进。 推动推理与工具使用、真实环境的结合，并提升模型思考效率及 adaptive thinking 的能力。
1、Self Evolving：提升模型进行机器学习与大模型优化的能力，探索以 AI 加速 AI 研发的新范式：让模型参与到自身的训练、部署及 Agent 调度机制的迭代中，把改进的对象从"模型本身"抬升到"产生模型的研发流程"，构建可递归的能力增益回路，持续寻找下一代能力增长曲线。 2、Lifelong Learning：探索模型"学会学习"的 Meta 能力：让模型在与陌生、开放环境的在线交互中持续更新自身内部状态，无需重新训练即可积累经验，不断提升长期的 decision making 与任务完成能力。 3、Scalable Oversigh：在难以 verify 的 fuzzy / 开放式任务上，突破人类监督的扩展性瓶颈：研究可扩展的监督、自我评估与自我修正机制，让监督信号的质量能随模型能力一同增长，降低对外部人工反馈的依赖。