哔哩哔哩强化学习训练算法实习生
任职要求
1、本科及以上学历，计算机、人工智能、数学、自动化等相关专业； 2、了解自然语言处理、计算机视觉或多模态算法，了解主流的 DiT（Diffusion Transformer） 与 VLM（Vision-Language Model） 模型架构； 3、熟悉至少 2 种主流强化学习算法原理，熟悉至少一种强化学习训练框架； 4、…
工作职责
1、参与强化学习核心算法的设计、实现与优化，探索 RL 在扩散模型去噪过程中的应用，包括但不限于 PPO、DPO、GRPO、DAPO、ReFL等内容； 2、参与强化学习训练框架建设，搭建并且持续优化 Agentic RL 链路； 3、参与奖励模型和偏好数据集的构建与迭代，设计针对多模态生成质量（美学、一致性、指令遵循）的细粒度评价信号；
1、参与强化学习核心算法的设计、实现与优化，探索 RL 在扩散模型去噪过程中的应用，包括但不限于 PPO、DPO、GRPO、DAPO、ReFL等内容； 2、参与强化学习训练框架建设，搭建并且持续优化 Agentic RL 链路； 3、参与奖励模型和偏好数据集的构建与迭代，设计针对多模态生成质量（美学、一致性、指令遵循）的细粒度评价信号；
1、参与强化学习训练框架的研发与性能优化，根据业务需求持续演进训练策略与系统能力，提升大规模模型训练效率； 2、深度分析与定位训练系统中的性能瓶颈（包括计算、通信、存储等），实施针对性优化，提升训练吞吐、稳定性与可扩展性；
1、参与强化学习训练框架的研发与性能优化，根据业务需求持续演进训练策略与系统能力，提升大规模模型训练效率； 2、深度分析与定位训练系统中的性能瓶颈（包括计算、通信、存储等），实施针对性优化，提升训练吞吐、稳定性与可扩展性； 3、持续跟踪并集成业界前沿的训练优化技术（如 MoE、异步RL、LoRA RL、Agentic RL 等）。
工作职责： 1、参与千亿级大模型的分布式强化学习 RL 训练框架研发，提升百卡~千卡级训练吞吐与资源利用率 2、参与 100B以上多模态强化学习算法流程适配（如DAPO等），各领域任务的 RL 正确性验证 3、实验并调优不同并行策略（Tensor/ZeRO/FSDP/Pipeline Parallelism）在超大规模模型上的最佳配置组合 4、协助定位分析分布式训练中的关键性能瓶颈（如GPU利用率低、显存瓶颈、网络通信阻塞、I/O延迟等），设计并实施优化方案进行验证。 5、参与研发/优化训练引擎的关键特性，如大规模集群下的稳定断点续训、高性能异步Rollout机制、以及高性能算子（Kernel）的集成与优化。