阿里巴巴研究型实习生 - 强化学习RL算法研究
任职要求
1. 计算机、人工智能、自动化等相关专业在读硕士/博士。 2. 具备强化学习（RL）与 Agent 方向的基础知识与实践经历，了解 PPO、GRPO 等主流 RL 算法及训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者…
工作职责
强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向之一。我们围绕大模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力，持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在开放式复杂任务中的自主性与执行表现。欢迎对大模型与强化学习方向有兴趣和实践经验的硕博同学加入。 工作内容包括： 1. 研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。 2. 优化端到端 Agentic RL 链路，协助提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。 3. 参与提升 RL 在长程任务与复杂开放任务中的表现，探索训练效率优化、复杂任务学习方法；研究多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 agentic verifier 的准确性和鲁棒性。 4. 与研究员和工程师协作，持续迭代 coding agent 与 long-horizon agent 的训练数据、奖励信号与执行环境；参与改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。
1. LLM-RL前沿探索与基础研究：深入研究泛化性/样本效率/持续学习/元学习/测试时扩展等课题，负责理论分析、算法/基准测试/实验的设计与实现。 2. 引领学术与技术前沿，形成高水平论文/技术报告/开源项目。
结合强化学习算法以及大模型训推架构，对强化学习框架进行优化，提升大模型强化学习训练的效率。持续探索RL的前沿方向，实现丰富、便捷的真实环境交互能力。通过冗余生成、投机采样等生成加速技术，动态调度计算资源，协同异构硬件基础设施，极致压缩RL训练的时间消耗。从PPO、GRPO扩展出更丰富的RL算法范式，提升大模型在长思考、复杂推理方面的能力，推进大模型在国内最大的电商场景的业务落地。 职位职责包括但不限于： 1. 设计和实现机器学习系统所需要的大规模分布式计算系统，参与机器学习全生命周期（训练、推理、MLOps、CI/CD、AB testing）组件的开发与优化。 2. 构建业界领先的超大规模稀疏训练引擎，通过软硬件协同以及工程算法联合优化，持续榨取高性能异构硬件的性能潜力，不断推高分布式训练的性能天花板。 3. 构建业界先进的多模态、大语言训练引擎，通过持续的分布式训练优化，不断提升算法的训练规模，提升硬件的使用效率。 4. 构建超大规模全流程机器学习平台，覆盖从特征工程、样本构建到模型量化交付，并通过构建SQL计算引擎、分布式特征服务、样本湖等，提升特征样本计算存储效率。 5. 图学习、联邦学习、强化学习等多个AI方向算法工程解决方案的探索和落地。 6. 在机器学习系统的前沿领域（如分布式训练、软硬协同设计等）参与应用驱动的研究。
一、关于阿里巴巴国际站 阿里巴巴国际站是全球领先的跨境 B2B 数字贸易平台，致力于推动全球贸易数字化升级。在这里，你将有机会直接参与 B2B 场景下核心广告算法问题的研究与实践，深入探索工业级智能广告系统的前沿技术。 二. 关于项目 本项目旨在解决国际B类业务下，转化数据的延迟性与稀疏性对整体广告业务造成的挑战，包括但不限于稀疏转化行为的精准表征，转化预估模型的预估准确度，出价模型的离在线不一致等，提升广告智能出价整体性能。 二. 你的职责 1. 调研与前沿追踪：跟进工业界与学术界在稀疏数据处理、转化预估、自动出价策略等方向的最新研究进展，持续探索可落地的优化思路。 2. 模型与算法优化：研究稀疏数据场景下转化预估模型与出价模型的联动优化方法，提升智能出价整体效果与业务收益。 3. 落地实践：参与模型搭建、算法调优与实验分析，将理论方案转化为线上可用的生产能力；同时，对研究成果进行整理，撰写高质量论文并尝试投稿。
我们正在寻找对大模型系统优化充满热情的优秀在读学生，参与大模型后训练阶段（Post-Training）关键系统与架构的前沿研究。你将深度参与千亿级大模型在强化学习训练、推理效率、训推分离架构、智能体（Agent）系统等方面的系统级优化工作，探索高MFU、低延迟、高吞吐的下一代AI基础设施。 如果你热爱系统与AI的交叉领域，希望在真实超大规模场景中打磨技术，欢迎加入我们，与顶尖研究者和工程师共同推动大模型系统的技术边界！ 研究方向与实习内容： 你将从以下四个核心方向中选择1-2个深入参与，开展系统性研究与工程实现： 1. 后训练 MFU（Model FLOPs Utilization）优化 研究SFT、RLHF、DPO等后训练任务中的计算效率瓶颈； 设计高MFU的训练策略与系统支持，优化计算密度（如序列填充、混合批次、梯度累积等）； 探索算力利用率提升路径，结合通信、显存、计算进行端到端建模与优化。 2. 强化学习推理框架优化 针对RLHF中大量采样推理的需求，优化推理延迟与吞吐（如Speculative Decoding、KV Cache复用、动态批处理）； 设计轻量、高效的推理引擎，支持多轮对话、长上下文、流式生成等复杂场景； 探索训练-采样协同优化，降低推理端对训练整体效率的制约。 3. 强化学习训推分离架构优化 构建解耦的“训练-采样”系统架构，支持高并发采样与异步训练更新； 研究采样集群与训练集群之间的资源调度、数据同步与负载均衡机制； 实现弹性扩缩容、故障恢复、版本管理等系统能力，提升整体稳定性与可扩展性。 4. Agent 框架优化与系统支撑 研究面向复杂任务的Agent执行框架，优化工具调用、状态管理、多步规划的系统性能； 构建低延迟、高并发的Agent运行时环境，支持大规模仿真与自动评估； 探索Agent工作流的可复现性、可观测性与调试支持，提升研发效率。