主分类：大模型与生成式算法研发
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-Reward System算法工程师-Qwen",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术-研究"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": "计算机、人工智能等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "负责 Qwen 基座模型 Agentic Reward System 的设计、训练与迭代，构建支撑大规模 Agentic RL 训练的奖励信号体系，持续提升模型在 Coding、Agent 等高价值场景下的对齐质量与 RL 训练上限。\n1. Coding Reward System：构建面向 Code Agent 的 Reward System，设计 Evolving Rubrics 与 Code Verifier，实现 Outcome & Process Level 的自动化 Rewarding，解决长程 Coding Trajectory 下的 Credit Assignment 与 Reward 稀疏性问题。\n2. Agentic User Experience Reward：研究面向 Agent 任务的用户体验建模与 Reward 优化，探索 User Model Rewarding 与 Behavioral Signal Mining，弥合 Benchmark指标与用户实际体验之间的鸿沟。\n3. Reward System Infra：以 Reward 信号为核心构建数据飞轮，驱动数据筛选、难例挖掘与合成迭代；建设统一的 Reward 评估与标注框架，与 CPT / SFT / RL训练流程深度耦合，端到端优化全链路传导效率。",
"requirements_text": "1. 计算机、人工智能等相关专业硕士及以上学历, 具备相关领域的顶会论文发表优先。\n2. 扎实的工程能力，有工业界大语言模型SFT / RL 训练经验的优先（熟悉 PPO / GRPO 等完整流程）。\n3. 对 Reward System 有独立的技术判断，能分析不同技术路线（Scalar RM / Gen RM / Pair-wise RM 等）的适用边界。\n4. 有以下任一方向的深入经验者优先：\n（1）Reward Model Training（Agent RM / Coding RM / Agentic RM）\n（2）Coding / Agent Benchmark\n（3）Credit Assignment / Reward Shaping / Multi-turn RL",
"skills": [AI生成
"大语言模型"
],
"preferred_qualifications": "1. 计算机、人工智能等相关专业硕士及以上学历, 具备相关领域的顶会论文发表优先；2. 扎实的工程能力，有工业界大语言模型SFT / RL 训练经验的优先（熟悉 PPO / GRPO 等完整流程）；4. 有以下任一方向的深入经验者优先：",
"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=100023600006"
}
]
},
"posting": {
"posting_id": "100023600006",
"post_date": "2026-08-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers-tongyi.alibaba.com/off-campus/position-detail?positionId=100023600006"
},
"fulltext": "Token Foundry-Reward System算法工程师-Qwen\nToken Foundry-Reward System算法工程师-Qwen\n\n基础信息\n职位类别：技术-研究\n工作地点：北京\n\n职位描述\n负责 Qwen 基座模型 Agentic Reward System 的设计、训练与迭代，构建支撑大规模 Agentic RL 训练的奖励信号体系，持续提升模型在 Coding、Agent 等高价值场景下的对齐质量与 RL 训练上限。\n1. Coding Reward System：构建面向 Code Agent 的 Reward System，设计 Evolving Rubrics 与 Code Verifier，实现 Outcome & Process Level 的自动化 Rewarding，解决长程 Coding Trajectory 下的 Credit Assignment 与 Reward 稀疏性问题。\n2. Agentic User Experience Reward：研究面向 Agent 任务的用户体验建模与 Reward 优化，探索 User Model Rewarding 与 Behavioral Signal Mining，弥合 Benchmark指标与用户实际体验之间的鸿沟。\n3. Reward System Infra：以 Reward 信号为核心构建数据飞轮，驱动数据筛选、难例挖掘与合成迭代；建设统一的 Reward 评估与标注框架，与 CPT / SFT / RL训练流程深度耦合，端到端优化全链路传导效率。\n\n职位要求\n1. 计算机、人工智能等相关专业硕士及以上学历, 具备相关领域的顶会论文发表优先。\n2. 扎实的工程能力，有工业界大语言模型SFT / RL 训练经验的优先（熟悉 PPO / GRPO 等完整流程）。\n3. 对 Reward System 有独立的技术判断，能分析不同技术路线（Scalar RM / Gen RM / Pair-wise RM 等）的适用边界。\n4. 有以下任一方向的深入经验者优先：\n（1）Reward Model Training（Agent RM / Coding RM / Agentic RM）\n（2）Coding / Agent Benchmark\n（3）Credit Assignment / Reward Shaping / Multi-turn RL\n负责 Qwen 基座模型 Agentic Reward System 的设计、训练与迭代，构建支撑大规模 Agentic RL 训练的奖励信号体系，持续提升模型在 Coding、Agent 等高价值场景下的对齐质量与 RL 训练上限。\n1. Coding Reward System：构建面向 Code Agent 的 Reward System，设计 Evolving Rubrics 与 Code Verifier，实现 Outcome & Process Level 的自动化 Rewarding，解决长程 Coding Trajectory 下的 Credit Assignment 与 Reward 稀疏性问题。\n2. Agentic User Experience Reward：研究面向 Agent 任务的用户体验建模与 Reward 优化，探索 User Model Rewarding 与 Behavioral Signal Mining，弥合 Benchmark指标与用户实际体验之间的鸿沟。\n3. Reward System Infra：以 Reward 信号为核心构建数据飞轮，驱动数据筛选、难例挖掘与合成迭代；建设统一的 Reward 评估与标注框架，与 CPT / SFT / RL训练流程深度耦合，端到端优化全链路传导效率。\n1. 计算机、人工智能等相关专业硕士及以上学历, 具备相关领域的顶会论文发表优先。\n2. 扎实的工程能力，有工业界大语言模型SFT / RL 训练经验的优先（熟悉 PPO / GRPO 等完整流程）。\n3. 对 Reward System 有独立的技术判断，能分析不同技术路线（Scalar RM / Gen RM / Pair-wise RM 等）的适用边界。\n4. 有以下任一方向的深入经验者优先：\n（1）Reward Model Training（Agent RM / Coding RM / Agentic RM）\n（2）Coding / Agent Benchmark\n（3）Credit Assignment / Reward Shaping / Multi-turn RL",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}