Working Agent 评测算法实习生（日常实习 / 青云实习）· 2026-10-13

混元基础模型部评测团队，负责混元主线模型在 Working Agent 场景下的生产评测，评测结论是模型迭代的重要依据。团队已建立 Office、复杂指令遵循、多轮交互等评测体系，希望进一步构建更贴近真实使用、更能反映实际生产力的评测。

1. 构建复杂指令遵循与 Working Agent 评测：从真实需求出发，设计覆盖多约束、多轮、Office 文档处理和长程端到端交付的评测任务与数据管线，并持续维护更新； 2. 探索评价范式：针对法律、金融等专业场景的开放任务，探索 Arena、Pairwise 等基于偏好对比的评价方法，保证结论准确、稳定、难以被投机绕过； 3. 分析与归因：区分模型本身、Harness 和环境等因素的影响，对模型表现做归因，形成可指导训练的结论。 你将获得： - 参与新评测体系建设，成果直接服务于混元主线模型的迭代； - 充足的 Agent 使用额度、模型 API 资源和沙箱环境，以及 WorkBuddy 等产品的真实场景； - 支持将有价值的成果以论文或技术报告的形式对外发布。

1. 计算机、人工智能、统计等相关专业本科及以上在读，2028 年及以后毕业；每周到岗 4 天及以上，能连续实习 6 个月以上者优先； 2. 熟练使用 Python，能独立实现数据管线与评测系统；熟悉 Docker 与 Linux； 3. 熟悉规则校验、LLM-as-a-Judge 等判分方式的适用边界和常见偏差，能设计并验证可靠的判分器； 4. 深度使用 Claude Code、Codex 等主流 Agent，对它们的优势与不足有自己的观察； 5. 能主动发现问题并推动解决，对产出有很高的质量标准。 加分项： - 参与过主流 Working 场景 Benchmark 的构建或深度使用，如 GDPval、APEX-Agents、Workspace-Bench、TheAgentCompany，或 LegalBench、FinanceBench 等法律金融专业 Benchmark； - 有指令遵循评测、Arena / Pairwise 评测、LLM-as-a-Judge 或奖励模型相关经验，或发表过评测相关论文； - 有后训练数据（SFT 数据、RL 任务与环境）或评测数据的合成经验。 投递方式：简历发送至 eileenye@tencent.com，邮件标题注明：姓名-学校-年级-每周可到岗天数-可实习时长