岗位职责
团队介绍：
我们聚焦通用智能与医疗健康等复杂场景，构建“评估 → 诊断 → 改进 → 验证”的自动化闭环：持续发现模型能力缺口，分析失败原因，生成针对性的训练数据与改进策略，并验证模型是否真正获得了可泛化的能力提升。你将参与 Self-evolving Models、Self-improving Systems 与受控 Recursive Self-improvement 相关研究，推动大模型从一次性训练走向可验证、可持续的自我改进。重点研究方向有以下几个方面：
- 自适应与对抗式评测：生成随模型能力动态演化的任务，解决静态 Benchmark 饱和、数据污染和针对性刷榜问题；
- 自动化失败诊断：识别知识缺失、推理错误、幻觉、长上下文遗忘、工具调用及策略失配等失败原因；
- 评估驱动的 Self-improving：将诊断结果转化为数据合成、课程学习、SFT、偏好优化、强化学习或 Agent Policy 更新策略；
- Verifier 与 Reward Model：研究过程监督、可验证奖励、裁判校准及奖励投机防护，为模型自我改进提供稳定反馈；
- 受控 RSI：探索模型在数据、记忆、工具、策略和参数层面的递归改进，并建立能力回退、安全退化和评价漂移的监控机制；
- 长周期 Agent 评估：研究智能体在动态环境中的规划、执行、反思、记忆更新和持续学习能力。
职位描述
- 建设面向复杂推理、医疗决策、长上下文和 Agent 任务的动态评测集与交互式评估环境；
- 研发评估驱动的自进化系统，将模型失败自动转化为训练数据、反馈信号和后训练策略；
- 训练和校准 Verifier、Reward Model 与 LLM Judge，提升评估的一致性、可靠性和抗投机能力；
- 建立严格的实验与准出体系，验证每轮模型改进的泛化收益，并监控能力回退与安全风险；
- 推动研究成果在真实业务中落地，并产出高水平论文、专利、评测基准或开源项目。
任职要求
- 计算机科学、人工智能、统计学、数学等相关专业硕士及以上学历，博士或具备同等研究能力者优先；
- 熟练使用 Python、PyTorch，能够独立完成算法实现、大规模实验和结果分析；
- 理解 Transformer 与主流后训练方法，熟悉 SFT、RLHF、DPO、PPO、RLAIF、过程监督或可验证奖励中的一种或多种；
- 在大模型评测、Reward Model、LLM Judge、Agent、合成数据或后训练方向具备研究或实践经验；
- 具备严谨的实验设计能力，熟悉置信区间、显著性检验、消融实验和误差分析；
- 能够将开放问题转化为可验证的研究假设，并持续跟进 Self-improving、Continual Learning、Meta-learning、Test-time Learning 或 RSI 等方向。
加分项：
- 在 ICLR、NeurIPS、ICML、ACL、EMNLP、AAAI 等会议或相关期刊发表过高质量论文；
- 有大模型训练、后训练、对齐、Agent 或 Reward Model 的完整项目经验；
- 参与过有影响力的评测框架、数据集、开源项目或算法竞赛；
- 具备医疗健康、生物信息学背景，或高安全、高合规 AI 系统的评估经验。
特色标签
Python、PyTorch、云原生、人类反馈强化学习、分布式训练、医疗、参加算法相关竞赛/获奖、发表算法相关优秀论文、多模态算法、大模型算法、大语言模型、奖励模型、对抗测试、幻觉、强化学习、智能体、有留学背景、机器学习、深度学习、监督微调、算法工程化经验、自我改进、自然语言处理算法、评估、验证器