主分类：大模型与生成式算法研发
辅助：Agent系统开发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "Token Foundry-Computer Use Agent算法专家-Qwen基础模型训练",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州 / 上海",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "通义",
"company_industry": "人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "通义提供人工智能模型及文档阅读等AI应用。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "来自全球Top高校计算机科学、人工智能、机器学习、深度学习、软件工程或相关领域应届博士/顶尖硕士毕业生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "推动 GUI / Hybrid Computer Use Agent 在 Computer / Mobile / Browser 等真实数字环境中的能力演进与落地实践，使模型能够理解、操作并协同完成跨平台、跨界面、跨工具、跨任务流的复杂用户任务，持续提升 Agent 在开放环境中的泛化性、鲁棒性、协同性与实际可用性，拓展大模型在真实人机交互场景中的能力边界。\n1. GUI Agent：重点探索 GUI 在Computer / Mobile / Browse场景下的Agent能力提升与OOD任务能力泛化影响分析，研究大规模自然GUI轨迹Pre-training、用户协同能力；\n2. Hybrid Agent：设计CLI & GUI 统一范式下的Universal Digital Agent Harness & Behavior Pattern，探索用户协同CUA场景下的有效实践方案；\n3. Envs Scaling & Training Scaling：在大规模合成环境和现实环境数据中CPT->RL端到端优化迭代；\n4. Preference & Feedback Modeling：探索用户协同Computer Use场景下用户偏好和用户反馈的收集、建模与处理机制，研究显式反馈与隐式反馈的统一表征方式，建立可用于训练和评估的反馈闭环。",
"requirements_text": "1. 来自全球Top高校计算机科学、人工智能、机器学习、深度学习、软件工程或相关领域应届博士/顶尖硕士毕业生；\n2. 在大语言模型或多模态大模型领域有扎实的理论基础和实践经验，在深度学习、大规模模型训练、优化算法、生成式模型、自监督学习等至少一个领域中具有行业影响力的创新性成果；\n3. 在国际顶级计算机会议/期刊以一作身份发表过多篇高水平论文，或在开源社区、竞赛中展示出引领性的研究成果；\n4. 具备扎实的代码功底，熟悉主流深度学习框架，能够高效实现复杂模型结构并进行大规模模型训练（曾参与千卡集群项目者优先）；ACM/ICPC，topcoder等编程比赛获奖者优先；\n5. 对AI技术充满好奇心，持续关注前沿领域，具备独立思考能力和系统性研究思维，敢于挑战现有范式，有志于定义下一代基础模型的进化方向；能够独立应用技术解决复杂问题，主导或深度参与过有行业有影响力项目的人选优先；\n6. 具备优秀的跨团队协作和沟通能力，能够与工程、产品等团队紧密合作，推动研究成果快速落地并产生实际影响力。",
"skills": [AI生成
"机器学习",
"深度学习",
"模型训练",
"团队协作",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "4. 具备扎实的代码功底，熟悉主流深度学习框架，能够高效实现复杂模型结构并进行大规模模型训练（曾参与千卡集群项目者优先）；ACM/ICPC，topcoder等编程比赛获奖者优先；能够独立应用技术解决复杂问题，主导或深度参与过有行业有影响力项目的人选优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100022900016"
}
]
},
"posting": {
"posting_id": "100022900016",
"post_date": "2026-09-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100022900016"
},
"fulltext": "Token Foundry-Computer Use Agent算法专家-Qwen基础模型训练\nToken Foundry-Computer Use Agent算法专家-Qwen基础模型训练\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京 / 杭州 / 上海\n\n职位描述\n推动 GUI / Hybrid Computer Use Agent 在 Computer / Mobile / Browser 等真实数字环境中的能力演进与落地实践，使模型能够理解、操作并协同完成跨平台、跨界面、跨工具、跨任务流的复杂用户任务，持续提升 Agent 在开放环境中的泛化性、鲁棒性、协同性与实际可用性，拓展大模型在真实人机交互场景中的能力边界。\n1. GUI Agent：重点探索 GUI 在Computer / Mobile / Browse场景下的Agent能力提升与OOD任务能力泛化影响分析，研究大规模自然GUI轨迹Pre-training、用户协同能力；\n2. Hybrid Agent：设计CLI & GUI 统一范式下的Universal Digital Agent Harness & Behavior Pattern，探索用户协同CUA场景下的有效实践方案；\n3. Envs Scaling & Training Scaling：在大规模合成环境和现实环境数据中CPT->RL端到端优化迭代；\n4. Preference & Feedback Modeling：探索用户协同Computer Use场景下用户偏好和用户反馈的收集、建模与处理机制，研究显式反馈与隐式反馈的统一表征方式，建立可用于训练和评估的反馈闭环。\n\n职位要求\n1. 来自全球Top高校计算机科学、人工智能、机器学习、深度学习、软件工程或相关领域应届博士/顶尖硕士毕业生；\n2. 在大语言模型或多模态大模型领域有扎实的理论基础和实践经验，在深度学习、大规模模型训练、优化算法、生成式模型、自监督学习等至少一个领域中具有行业影响力的创新性成果；\n3. 在国际顶级计算机会议/期刊以一作身份发表过多篇高水平论文，或在开源社区、竞赛中展示出引领性的研究成果；\n4. 具备扎实的代码功底，熟悉主流深度学习框架，能够高效实现复杂模型结构并进行大规模模型训练（曾参与千卡集群项目者优先）；ACM/ICPC，topcoder等编程比赛获奖者优先；\n5. 对AI技术充满好奇心，持续关注前沿领域，具备独立思考能力和系统性研究思维，敢于挑战现有范式，有志于定义下一代基础模型的进化方向；能够独立应用技术解决复杂问题，主导或深度参与过有行业有影响力项目的人选优先；\n6. 具备优秀的跨团队协作和沟通能力，能够与工程、产品等团队紧密合作，推动研究成果快速落地并产生实际影响力。\n推动 GUI / Hybrid Computer Use Agent 在 Computer / Mobile / Browser 等真实数字环境中的能力演进与落地实践，使模型能够理解、操作并协同完成跨平台、跨界面、跨工具、跨任务流的复杂用户任务，持续提升 Agent 在开放环境中的泛化性、鲁棒性、协同性与实际可用性，拓展大模型在真实人机交互场景中的能力边界。\n1. GUI Agent：重点探索 GUI 在Computer / Mobile / Browse场景下的Agent能力提升与OOD任务能力泛化影响分析，研究大规模自然GUI轨迹Pre-training、用户协同能力；\n2. Hybrid Agent：设计CLI & GUI 统一范式下的Universal Digital Agent Harness & Behavior Pattern，探索用户协同CUA场景下的有效实践方案；\n3. Envs Scaling & Training Scaling：在大规模合成环境和现实环境数据中CPT->RL端到端优化迭代；\n4. Preference & Feedback Modeling：探索用户协同Computer Use场景下用户偏好和用户反馈的收集、建模与处理机制，研究显式反馈与隐式反馈的统一表征方式，建立可用于训练和评估的反馈闭环。\n1. 来自全球Top高校计算机科学、人工智能、机器学习、深度学习、软件工程或相关领域应届博士/顶尖硕士毕业生；\n2. 在大语言模型或多模态大模型领域有扎实的理论基础和实践经验，在深度学习、大规模模型训练、优化算法、生成式模型、自监督学习等至少一个领域中具有行业影响力的创新性成果；\n3. 在国际顶级计算机会议/期刊以一作身份发表过多篇高水平论文，或在开源社区、竞赛中展示出引领性的研究成果；\n4. 具备扎实的代码功底，熟悉主流深度学习框架，能够高效实现复杂模型结构并进行大规模模型训练（曾参与千卡集群项目者优先）；ACM/ICPC，topcoder等编程比赛获奖者优先；\n5. 对AI技术充满好奇心，持续关注前沿领域，具备独立思考能力和系统性研究思维，敢于挑战现有范式，有志于定义下一代基础模型的进化方向；能够独立应用技术解决复杂问题，主导或深度参与过有行业有影响力项目的人选优先；\n6. 具备优秀的跨团队协作和沟通能力，能够与工程、产品等团队紧密合作，推动研究成果快速落地并产生实际影响力。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}