阿里巴巴研究型实习生-Agentic RL-Accio
任职要求
1、2027年11月及之后毕业，硕士及以上学历，计算机、人工智能、信息科学、数学、软件工程等相关专业； 2、具有研究经验：大模型 post-training / 强化学习方向，具有一篇及以上一作顶会论文（NeurIPS / ICML / ICLR / ACL 等）； 3、理解Agent系统：熟悉 Agent 系统设计，对 tool use、multi…
工作职责
团队介绍： Accio 是阿里国际旗下的 AI Native 跨境贸易平台（Agent），致力于用 AI 重构全球 B2B 采购体验。我们拥有充足的计算资源（H100/B200 集群）、真实的大规模商业场景（覆盖海量活跃供应商与全球买家）、开放包容的研究氛围。在这里，研究成果不仅会产出学术论文，还会直接作用于海量的真实B2B贸易场景。 项目介绍： 真实的 B2B 交易场景天然是异步、长程的 —— 一次采购询盘从需求澄清到多供应商谈判再到最终比价，可能跨越数小时乃至数天，涉及多轮交互、并发协调和对比推荐等。当前主流 Agent 研究集中在同步、短程任务（单次对话内完成），本项目聚焦于为这类异步长程任务构建 Agent 核心能力，研究方向包括：长程任务分解与规划、过程监督与自主纠偏、主动式用户交互机制，以及支撑上述能力的 Agentic RL 训练方法。 岗位职责： 1、Agentic RL 研究与训练： 设计面向异步长程场景的 RL 方案，包括合成数据构造、奖励建模与模型训练，利用分布式框架（VeRL 等）进行大规模调优； 2、核心能力建设：研究长程任务分解、执行监控、自主纠偏、主动通知等 Agent 关键能力，推动成果在 Accio 业务场景落地； 3、评测体系构建：搭建面向长程异步任务的评测基准，覆盖任务时间跨度、多轮交互、并发协调等现有 benchmark 未充分涵盖的维度。
团队介绍： Accio 是一个追求极致的 AI Native Agent 产品/团队。我们不只是在做工具，而是在重塑人机交互的未来。在这里，我们为你提供充足的计算资源（H100/B200 集群支持）、深厚的研究氛围，以及由师兄（AI PhD & 顶会常客）亲自带队的指导。 项目介绍： 本项目旨在通过 RL 与其它后训练方法，优化 LLM/VLM 的 Agentic 能力，解决包括但不限于复杂指令遵循、Efficient tool use、Test-time Agnostic 等问题。 岗位职责 1、大规模后训练实践： 参与构建针对 Agent 能力的训练数据及环境，利用分布式训练框架（如 Megatron-LM, verl）进行大规模模型调优； 2、算法研究与优化： 探索 Agentic RL 的前沿算法，产出 Novelty 和实用性兼具的工作； 3、前沿追踪：跟进最新的学术工作，例如复现 GAIA, BrowseComp, HLE 等最新测试集上的 SOTA 方案。
一、关于阿里国际站 阿里国际站是全球最大的跨境B2B数字贸易平台，致力于推动跨境电商发展。我们拥有业界为数不多已实现大规模商业化并持续快速增长的AI产品，团队在LLM领域的多项研究成果也已在NeurIPS、ICLR、KDD等顶级学术会议上获得认可。 二、关于本项目 本项目旨在通过context/memory与rl等算法，优化国际站的AI能力，解决包括但不限于超长上下文压缩与动态加载、复杂指令遵循、多Agent协作与长程任务执行 等问题。 三、你的职责 1. agent框架构建： 参与搭建国际站各个场景的的多Agent协作系统。 2. 算法研究与优化： 探索如何让Agent在多轮、多工具的任务中保持目标一致且上下文干净,实验并改进上下文压缩、卸载、持久化的算法与策略。 3. 前沿追踪：Follow 最新的学术工作，将研究成果转化为学术论文并投稿。
1. Agent 基础设施优化：在电商垂域开展大模型 Agentic AI 的关键要素构建与优化，涵盖环境工具建设（Environment/Tools）、高质量数据合成及 Reward Modeling； 2. 后训练算法攻坚：优化 Post-training 算法（如 GRPO/PPO/SearchR1 等），提升模型在复杂环境下的工具使用（Tool-use）、规划（Plan）、深度推理（Deep Research）及报告生成能力； 3. 全流程模型迭代：参与千亿级模型的 Agentic 能力全流程优化，包括 CPT (Continued Pre-training)、SFT、Post-train 及 Multi-agent RL，负责复现业界前沿工作并探索提出新算法。
1. Agent 基础设施优化：在电商垂域开展大模型 Agentic AI 的关键要素构建与优化，涵盖环境工具建设（Environment/Tools）、高质量数据合成及 Reward Modeling； 2. 后训练算法攻坚：优化 Post-training 算法（如 GRPO/PPO/SearchR1 等），提升模型在复杂环境下的工具使用（Tool-use）、规划（Plan）、深度推理（Deep Research）及报告生成能力； 3. 全流程模型迭代：参与千亿级模型的 Agentic 能力全流程优化，包括 CPT (Continued Pre-training)、SFT、Post-train 及 Multi-agent RL，负责复现业界前沿工作并探索提出新算法。