{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "研究型实习生 - 强化学习RL算法研究",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "Token Foundry",
        "location": "北京 / 杭州 / 上海",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里巴巴集团",
        "company_industry": "电子商务 / 云计算 / 人工智能",
        "company_size": "10000人以上",
        "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": "计算机、人工智能、自动化等相关专业在读硕士/博士",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向之一。我们围绕大模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力，持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在开放式复杂任务中的自主性与执行表现。欢迎对大模型与强化学习方向有兴趣和实践经验的硕博同学加入。\n工作内容包括：\n1. 研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。\n2. 优化端到端 Agentic RL 链路，协助提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。\n3. 参与提升 RL 在长程任务与复杂开放任务中的表现，探索训练效率优化、复杂任务学习方法；研究多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 agentic verifier 的准确性和鲁棒性。\n4. 与研究员和工程师协作，持续迭代 coding agent 与 long-horizon agent 的训练数据、奖励信号与执行环境；参与改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。",
        "requirements_text": "1. 计算机、人工智能、自动化等相关专业在读硕士/博士。\n2. 具备强化学习（RL）与 Agent 方向的基础知识与实践经历，了解 PPO、GRPO 等主流 RL 算法及训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者优先。\n3. 对真实任务场景与模型行为一定的洞察力，具备良好的问题分析和推进能力；对算法、数据与 reward signal 有一定直觉，能够结合实际问题持续迭代方案并提升模型表现。\n4. 具备较强的学习能力、主动性和自驱力，能够快速理解前沿工作并在指导下推进实验与落地。",
        "skills": [AI生成
            "强化学习",
            "学习能力",
            "大语言模型"
        ],
        "preferred_qualifications": "有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199908380001?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199908380001",
        "post_date": "2026-07-28",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199908380001?deptCodes="
    },
    "fulltext": "研究型实习生 - 强化学习RL算法研究\n研究型实习生 - 强化学习RL算法研究\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2032-10-31\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：北京 / 杭州 / 上海\n\n职位描述\n强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向之一。我们围绕大模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力，持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在开放式复杂任务中的自主性与执行表现。欢迎对大模型与强化学习方向有兴趣和实践经验的硕博同学加入。\n工作内容包括：\n1. 研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。\n2. 优化端到端 Agentic RL 链路，协助提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。\n3. 参与提升 RL 在长程任务与复杂开放任务中的表现，探索训练效率优化、复杂任务学习方法；研究多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 agentic verifier 的准确性和鲁棒性。\n4. 与研究员和工程师协作，持续迭代 coding agent 与 long-horizon agent 的训练数据、奖励信号与执行环境；参与改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。\n\n职位要求\n1. 计算机、人工智能、自动化等相关专业在读硕士/博士。\n2. 具备强化学习（RL）与 Agent 方向的基础知识与实践经历，了解 PPO、GRPO 等主流 RL 算法及训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者优先。\n3. 对真实任务场景与模型行为一定的洞察力，具备良好的问题分析和推进能力；对算法、数据与 reward signal 有一定直觉，能够结合实际问题持续迭代方案并提升模型表现。\n4. 具备较强的学习能力、主动性和自驱力，能够快速理解前沿工作并在指导下推进实验与落地。\n\n在招业务\nToken Foundry\n强化学习（RL）是 Qwen 系列基础模型持续演进的重要技术方向之一。我们围绕大模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力，持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在开放式复杂任务中的自主性与执行表现。欢迎对大模型与强化学习方向有兴趣和实践经验的硕博同学加入。\n工作内容包括：\n1. 研究 PPO、GRPO 等强化学习算法，提升训推分离场景下大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。\n2. 优化端到端 Agentic RL 链路，协助提升算法与系统整体效率，增强 agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。\n3. 参与提升 RL 在长程任务与复杂开放任务中的表现，探索训练效率优化、复杂任务学习方法；研究多 agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 agentic verifier 的准确性和鲁棒性。\n4. 与研究员和工程师协作，持续迭代 coding agent 与 long-horizon agent 的训练数据、奖励信号与执行环境；参与改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。\n1. 计算机、人工智能、自动化等相关专业在读硕士/博士。\n2. 具备强化学习（RL）与 Agent 方向的基础知识与实践经历，了解 PPO、GRPO 等主流 RL 算法及训练方法；有大模型 RL、Agent、代码生成、Reward Modeling 或大规模训练相关经验者优先。\n3. 对真实任务场景与模型行为一定的洞察力，具备良好的问题分析和推进能力；对算法、数据与 reward signal 有一定直觉，能够结合实际问题持续迭代方案并提升模型表现。\n4. 具备较强的学习能力、主动性和自驱力，能够快速理解前沿工作并在指导下推进实验与落地。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}