{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "日常实习生-数据智多星-Agentic & Coding 大模型方向",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "阿里巴巴控股集团",
        "location": "北京 / 杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里巴巴控股集团",
        "company_industry": "电子商务 / 云计算 / 人工智能",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "学历要求： 博士在读（优秀的硕士生可放宽限制）",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：\n我们专注于大模型在 Agentic & Coding 领域的评测范式探索与高质量数据构建，不仅核心支撑 Qwen 系列等大模型业务的交付迭代，更致力于在前沿方向探索下一代评测与数据体系，坚持产业落地与前沿探索并重。团队在业界已建立起显著的技术影响力，主导及参与了包括 SWE-CI、QwenClawBench、Terminal-Bench-Pro、Let It Flow (ROME Model)、HLE-Verified、V-GameGym 等多项前沿研究与基准构建工作。\n岗位职责方向（参与其中任一方向）\nAgent\n1. 复杂 Agentic 环境合成和 Infra 研究：负责复杂 Agentic 环境合成及评测集交付；设计并搭建统一的数字 Agent 评测基础设施，构建更加复杂的 Agent 环境基建。\n2. 持续学习与记忆评测、长程任务评估：研究大模型持续学习机制，构建针对长周期记忆检索、经验复用及动态知识更新的评估框架，沉淀 Agent 自主学习与长效记忆评测集。\n3. 世界模型评测与数据：搭建世界模型环境，评估模型对数字世界状态转移的理解和决策推演能力；交付世界模型评测集，以及状态推演与决策轨迹的高质量数据集。\n4. Agent 失败模式与可解释性研究：深入 Agent 和模型架构层进行可解释性工作；研究 Agent 运行中间轨迹的自动化分析方法，定位模型失败根本原因，提供专业下探与诊断能力，指导模型定向优化。\nCoding\n1. 参与内部Coding自建评测集构建，制定大模型评测在Coding方向的评测标准以及评测体系构建；\n2. 调研Coding公开评测方法，并将Coding公开评测集集成至内部平台；\n3. 探索智能高效的大模型Coding评测方案，主导开发评测工具。",
        "requirements_text": "1. 学历要求： 博士在读（优秀的硕士生可放宽限制），计算机、人工智能、软件工程、认知科学、脑科学、大数据技术、数据科学或其他AI相关专业。\n2. 技术背景： 熟悉LLM as judge/Agent as judge/ReAct等技术，有大模型训练/评测经验，熟悉大模型评测方法，对大语言模型（LLM）、智能体（Agent）、强化学习或相关底层架构有深入理解，具备扎实的编程能力与工程实现能力。\n3. 研究能力： 具备独立提出问题、设计实验并解决复杂问题的能力。有顶级会议（如ACL, ICLR, NeurIPS, ICML, COLM等）论文发表经验者优先。获得过ACM、NOI金牌或同等水平竞赛奖项优先。\n4. 团队协作：具备优秀的沟通协调能力和团队协作意识，擅长沟通与表达优先。\n5. 实习时间：为了保证研究的完整性与成果落地，实习期要求不少于3个月（建议3-6个月），能够沉下心推进完整的闭环研究。",
        "skills": [AI生成
            "React",
            "强化学习",
            "模型训练",
            "团队协作",
            "沟通协调",
            "沟通能力",
            "大语言模型",
            "智能体开发"
        ],
        "preferred_qualifications": "有顶级会议（如ACL, ICLR, NeurIPS, ICML, COLM等）论文发表经验者优先；获得过ACM、NOI金牌或同等水平竞赛奖项优先；4. 团队协作：具备优秀的沟通协调能力和团队协作意识，擅长沟通与表达优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199904240015?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199904240015",
        "post_date": "2026-09-11",
        "hire_time": "5. 实习时间：为了保证研究的完整性与成果落地，实习期要求不少于3个月（建议3-6个月），能够沉下心推进完整的闭环研究",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199904240015?deptCodes="
    },
    "fulltext": "日常实习生-数据智多星-Agentic & Coding 大模型方向\n日常实习生-数据智多星-Agentic & Coding 大模型方向\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2031-12-31\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：北京 / 杭州\n\n职位描述\n团队介绍：\n我们专注于大模型在 Agentic & Coding 领域的评测范式探索与高质量数据构建，不仅核心支撑 Qwen 系列等大模型业务的交付迭代，更致力于在前沿方向探索下一代评测与数据体系，坚持产业落地与前沿探索并重。团队在业界已建立起显著的技术影响力，主导及参与了包括 SWE-CI、QwenClawBench、Terminal-Bench-Pro、Let It Flow (ROME Model)、HLE-Verified、V-GameGym 等多项前沿研究与基准构建工作。\n岗位职责方向（参与其中任一方向）\nAgent\n1. 复杂 Agentic 环境合成和 Infra 研究：负责复杂 Agentic 环境合成及评测集交付；设计并搭建统一的数字 Agent 评测基础设施，构建更加复杂的 Agent 环境基建。\n2. 持续学习与记忆评测、长程任务评估：研究大模型持续学习机制，构建针对长周期记忆检索、经验复用及动态知识更新的评估框架，沉淀 Agent 自主学习与长效记忆评测集。\n3. 世界模型评测与数据：搭建世界模型环境，评估模型对数字世界状态转移的理解和决策推演能力；交付世界模型评测集，以及状态推演与决策轨迹的高质量数据集。\n4. Agent 失败模式与可解释性研究：深入 Agent 和模型架构层进行可解释性工作；研究 Agent 运行中间轨迹的自动化分析方法，定位模型失败根本原因，提供专业下探与诊断能力，指导模型定向优化。\nCoding\n1. 参与内部Coding自建评测集构建，制定大模型评测在Coding方向的评测标准以及评测体系构建；\n2. 调研Coding公开评测方法，并将Coding公开评测集集成至内部平台；\n3. 探索智能高效的大模型Coding评测方案，主导开发评测工具。\n\n职位要求\n1. 学历要求： 博士在读（优秀的硕士生可放宽限制），计算机、人工智能、软件工程、认知科学、脑科学、大数据技术、数据科学或其他AI相关专业。\n2. 技术背景： 熟悉LLM as judge/Agent as judge/ReAct等技术，有大模型训练/评测经验，熟悉大模型评测方法，对大语言模型（LLM）、智能体（Agent）、强化学习或相关底层架构有深入理解，具备扎实的编程能力与工程实现能力。\n3. 研究能力： 具备独立提出问题、设计实验并解决复杂问题的能力。有顶级会议（如ACL, ICLR, NeurIPS, ICML, COLM等）论文发表经验者优先。获得过ACM、NOI金牌或同等水平竞赛奖项优先。\n4. 团队协作：具备优秀的沟通协调能力和团队协作意识，擅长沟通与表达优先。\n5. 实习时间：为了保证研究的完整性与成果落地，实习期要求不少于3个月（建议3-6个月），能够沉下心推进完整的闭环研究。\n\n在招业务\n阿里巴巴控股集团\n团队介绍：\n我们专注于大模型在 Agentic & Coding 领域的评测范式探索与高质量数据构建，不仅核心支撑 Qwen 系列等大模型业务的交付迭代，更致力于在前沿方向探索下一代评测与数据体系，坚持产业落地与前沿探索并重。团队在业界已建立起显著的技术影响力，主导及参与了包括 SWE-CI、QwenClawBench、Terminal-Bench-Pro、Let It Flow (ROME Model)、HLE-Verified、V-GameGym 等多项前沿研究与基准构建工作。\n岗位职责方向（参与其中任一方向）\nAgent\n1. 复杂 Agentic 环境合成和 Infra 研究：负责复杂 Agentic 环境合成及评测集交付；设计并搭建统一的数字 Agent 评测基础设施，构建更加复杂的 Agent 环境基建。\n2. 持续学习与记忆评测、长程任务评估：研究大模型持续学习机制，构建针对长周期记忆检索、经验复用及动态知识更新的评估框架，沉淀 Agent 自主学习与长效记忆评测集。\n3. 世界模型评测与数据：搭建世界模型环境，评估模型对数字世界状态转移的理解和决策推演能力；交付世界模型评测集，以及状态推演与决策轨迹的高质量数据集。\n4. Agent 失败模式与可解释性研究：深入 Agent 和模型架构层进行可解释性工作；研究 Agent 运行中间轨迹的自动化分析方法，定位模型失败根本原因，提供专业下探与诊断能力，指导模型定向优化。\nCoding\n1. 参与内部Coding自建评测集构建，制定大模型评测在Coding方向的评测标准以及评测体系构建；\n2. 调研Coding公开评测方法，并将Coding公开评测集集成至内部平台；\n3. 探索智能高效的大模型Coding评测方案，主导开发评测工具。\n1. 学历要求： 博士在读（优秀的硕士生可放宽限制），计算机、人工智能、软件工程、认知科学、脑科学、大数据技术、数据科学或其他AI相关专业。\n2. 技术背景： 熟悉LLM as judge/Agent as judge/ReAct等技术，有大模型训练/评测经验，熟悉大模型评测方法，对大语言模型（LLM）、智能体（Agent）、强化学习或相关底层架构有深入理解，具备扎实的编程能力与工程实现能力。\n3. 研究能力： 具备独立提出问题、设计实验并解决复杂问题的能力。有顶级会议（如ACL, ICLR, NeurIPS, ICML, COLM等）论文发表经验者优先。获得过ACM、NOI金牌或同等水平竞赛奖项优先。\n4. 团队协作：具备优秀的沟通协调能力和团队协作意识，擅长沟通与表达优先。\n5. 实习时间：为了保证研究的完整性与成果落地，实习期要求不少于3个月（建议3-6个月），能够沉下心推进完整的闭环研究。",
    "standard_classification": {
        "std_category_code": "T015",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}