面壁智能 · 基模团队

RL Agent 算法实习生· 2026-10-12

北京 / 上海实习

介绍

面壁智能基模团队招 RL agent 算法实习生，聚焦 agentic RL 算法预研，寻找在工业界真实有效的强化学习算法。可以接受在 RL 上有较为丰富理论或实践经验的同学转行；基模 team 不以大量论文产出为目标，只有 solid 的结果才考虑 pub。

描述

1. 面向 agentic 任务（多轮工具调用、代码修复 / SWE、网页搜索与信息检索、长程任务规划等）开展 LLM 的 RL 后训练研究。 2. 研究并改进面向多轮、长 horizon、稀疏奖励场景的 RL 算法（GRPO / PPO 及其变体），包括优势估计与 credit assignment、off-policy 修正、探索与熵控制、训练稳定性等问题。 3. 参与 agent 任务的训练数据与评测设计：构造训练任务，设计可验证的奖励信号，分析 rollout 轨迹质量。 4. 独立设计并执行实验：数据构造与筛选、消融实验、训练曲线与 rollout 轨迹分析，定位 reward hacking、训练崩溃等问题并给出改进方案，撰写技术报告；有机会产出论文或开源成果。 5. 跟踪 agent RL 前沿工作并快速复现，在内部训练框架中落地验证。

要求

1. 硕士及以上学历在读，计算机、人工智能、数学等相关专业；能持续实习 6 个月。 2. 扎实的机器学习基础，熟悉 Transformer 架构，熟悉强化学习基本理论（策略梯度、PPO、GRPO 等），理解 LLM 后训练（SFT / RLHF / RLVR / OPD）的流程。 3. 良好的 coding 能力与实验素养：熟练使用 Python 和 PyTorch，能从训练指标和 rollout 样本中发现问题并得出可信结论。 4. 自驱力强，能独立推进研究课题。 5. 优秀的沟通与协作能力：能清晰地表达实验思路、结论和遇到的问题，与团队成员高效协作。加分项： 1. 有 LLM RL 训练（RLHF / RLVR / agent RL）的实际经验。 2. 有强化学习理论研究背景（策略优化、探索、credit assignment、off-policy 学习等），或相关实习。 3. 在 NeurIPS / ICML / ICLR / ACL 等会议发表过相关论文，或有高质量开源项目。 4. ACM-ICPC / Kaggle 等竞赛获奖经历。