{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "算法工程师-RLHF算法研究",
        "job_level": "校招",AI生成
        "work_category": "全职",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": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1.用户偏好采集与建模：设计并构建系统化的用户偏好数据采集方案，深入分析用户行为与反馈信号，建立多维度、可扩展的用户偏好表征与建模体系，为 Reward Model 训练提供高质量数据基础。\n2.Reward Model 训练与优化：训练高精度、低偏差的 Reward Model，覆盖创作质量、指令遵循、安全对齐、人类偏好等多个专项维度；持续优化训练策略，有效缓解 Reward Hacking 与分布偏移问题，为下游 RL 训练（PPO / GRPO 等）和用户偏好评测提供可靠的奖励信号。\n3.用户反馈分析与 Badcase 聚类：建立从线上用户反馈到模型迭代的闭环机制，利用聚类、归因分析等方法系统性挖掘 Badcase，定位模型能力短板与偏好盲区，驱动数据策略与训练目标的持续优化。\n4.LLM Judge / Verifier 体系建设：研究并构建基于 LLM 的自动化评测与验证体系，设计可 Scalable 的 Verifier 信号，使其既能作为高效的偏好评测工具，也能作为奖励信号直接融入 RL 训练流程，提升模型迭代的自动化程度与覆盖广度。\n5.偏好对齐前沿探索：持续跟踪 RLHF / RLAIF / DPO / Constitutional AI 等对齐技术的前沿进展，探索更高效的偏好学习范式，推动 基础模型在对齐质量与训练效率上的双重突破。",
        "requirements_text": "1.计算机、机器学习、人工智能、自然语言处理等相关专业在读。 \n2.具有 RLHF / Reward Modeling / 偏好对齐方向的实践经验，熟悉 PPO、DPO、GRPO 等主流算法的原理与工程实现。 \n3.精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程能力，能够独立完成从数据处理、模型训练到评测部署的全链路工作。 \n4.对数据质量高度敏感，具备优秀的数据分析与问题诊断能力，能够从复杂反馈信号中提炼有效的优化方向。 \n加分项 \n1.熟悉主流 RL 训练框架（如 veRL ）及大规模分布式训练方案（DeepSpeed、Megatron-LM、FSDP）。 \n2.在 Reward Model 泛化性、Reward Hacking 缓解、偏好数据合成等方向有深入研究或实际落地经验。 \n3.曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表对齐、强化学习或 NLP 相关论文，具有一定学术影响力。 \n4.拥有知名开源项目贡献经历，在开源社区具有较好的影响力。 5. 具备线上系统用户反馈分析经验，熟悉 A/B 测试、用户行为建模等方法论。",
        "skills": [AI生成
            "Python",
            "PyTorch",
            "机器学习",
            "深度学习",
            "强化学习",
            "自然语言处理",
            "数据分析",
            "模型训练",
            "建模"
        ],
        "preferred_qualifications": "加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199908400003?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199908400003",
        "post_date": "2026-08-05",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199908400003?deptCodes="
    },
    "fulltext": "算法工程师-RLHF算法研究\n算法工程师-RLHF算法研究\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：北京 / 杭州 / 上海\n\n职位描述\n1.用户偏好采集与建模：设计并构建系统化的用户偏好数据采集方案，深入分析用户行为与反馈信号，建立多维度、可扩展的用户偏好表征与建模体系，为 Reward Model 训练提供高质量数据基础。\n2.Reward Model 训练与优化：训练高精度、低偏差的 Reward Model，覆盖创作质量、指令遵循、安全对齐、人类偏好等多个专项维度；持续优化训练策略，有效缓解 Reward Hacking 与分布偏移问题，为下游 RL 训练（PPO / GRPO 等）和用户偏好评测提供可靠的奖励信号。\n3.用户反馈分析与 Badcase 聚类：建立从线上用户反馈到模型迭代的闭环机制，利用聚类、归因分析等方法系统性挖掘 Badcase，定位模型能力短板与偏好盲区，驱动数据策略与训练目标的持续优化。\n4.LLM Judge / Verifier 体系建设：研究并构建基于 LLM 的自动化评测与验证体系，设计可 Scalable 的 Verifier 信号，使其既能作为高效的偏好评测工具，也能作为奖励信号直接融入 RL 训练流程，提升模型迭代的自动化程度与覆盖广度。\n5.偏好对齐前沿探索：持续跟踪 RLHF / RLAIF / DPO / Constitutional AI 等对齐技术的前沿进展，探索更高效的偏好学习范式，推动 基础模型在对齐质量与训练效率上的双重突破。\n\n职位要求\n1.计算机、机器学习、人工智能、自然语言处理等相关专业在读。 \n2.具有 RLHF / Reward Modeling / 偏好对齐方向的实践经验，熟悉 PPO、DPO、GRPO 等主流算法的原理与工程实现。 \n3.精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程能力，能够独立完成从数据处理、模型训练到评测部署的全链路工作。 \n4.对数据质量高度敏感，具备优秀的数据分析与问题诊断能力，能够从复杂反馈信号中提炼有效的优化方向。 \n加分项 \n1.熟悉主流 RL 训练框架（如 veRL ）及大规模分布式训练方案（DeepSpeed、Megatron-LM、FSDP）。 \n2.在 Reward Model 泛化性、Reward Hacking 缓解、偏好数据合成等方向有深入研究或实际落地经验。 \n3.曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表对齐、强化学习或 NLP 相关论文，具有一定学术影响力。 \n4.拥有知名开源项目贡献经历，在开源社区具有较好的影响力。 5. 具备线上系统用户反馈分析经验，熟悉 A/B 测试、用户行为建模等方法论。\n\n在招业务\nToken Foundry\n1.用户偏好采集与建模：设计并构建系统化的用户偏好数据采集方案，深入分析用户行为与反馈信号，建立多维度、可扩展的用户偏好表征与建模体系，为 Reward Model 训练提供高质量数据基础。\n2.Reward Model 训练与优化：训练高精度、低偏差的 Reward Model，覆盖创作质量、指令遵循、安全对齐、人类偏好等多个专项维度；持续优化训练策略，有效缓解 Reward Hacking 与分布偏移问题，为下游 RL 训练（PPO / GRPO 等）和用户偏好评测提供可靠的奖励信号。\n3.用户反馈分析与 Badcase 聚类：建立从线上用户反馈到模型迭代的闭环机制，利用聚类、归因分析等方法系统性挖掘 Badcase，定位模型能力短板与偏好盲区，驱动数据策略与训练目标的持续优化。\n4.LLM Judge / Verifier 体系建设：研究并构建基于 LLM 的自动化评测与验证体系，设计可 Scalable 的 Verifier 信号，使其既能作为高效的偏好评测工具，也能作为奖励信号直接融入 RL 训练流程，提升模型迭代的自动化程度与覆盖广度。\n5.偏好对齐前沿探索：持续跟踪 RLHF / RLAIF / DPO / Constitutional AI 等对齐技术的前沿进展，探索更高效的偏好学习范式，推动 基础模型在对齐质量与训练效率上的双重突破。\n1.计算机、机器学习、人工智能、自然语言处理等相关专业在读。 \n2.具有 RLHF / Reward Modeling / 偏好对齐方向的实践经验，熟悉 PPO、DPO、GRPO 等主流算法的原理与工程实现。 \n3.精通 Python 及 PyTorch 等深度学习框架，具备扎实的工程能力，能够独立完成从数据处理、模型训练到评测部署的全链路工作。 \n4.对数据质量高度敏感，具备优秀的数据分析与问题诊断能力，能够从复杂反馈信号中提炼有效的优化方向。 \n加分项 \n1.熟悉主流 RL 训练框架（如 veRL ）及大规模分布式训练方案（DeepSpeed、Megatron-LM、FSDP）。 \n2.在 Reward Model 泛化性、Reward Hacking 缓解、偏好数据合成等方向有深入研究或实际落地经验。 \n3.曾在 NeurIPS、ICLR、ICML、ACL 等顶级会议发表对齐、强化学习或 NLP 相关论文，具有一定学术影响力。 \n4.拥有知名开源项目贡献经历，在开源社区具有较好的影响力。 5. 具备线上系统用户反馈分析经验，熟悉 A/B 测试、用户行为建模等方法论。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}