研究型实习生-面向LLM自演化的Self-Taught RLVR框架研究：自蒸馏、近未来策略优化与协同策略蒸馏

岗位职责

研究领域： 大模型 项目简介： 如何让大模型"自己教自己"实现持续进化，是后训练研究的核心命题。基于可验证奖励的强化学习（RLVR）已成为大模型推理能力提升的主流范式，但现有方法面临奖励信号稀疏、学习信号难以被模型有效吸收、多专家能力整合效率低等挑战。 本项目围绕"Self-Taught RLVR"这一前沿方向，从三个互补维度展开研究：利用特权信息增强的自身进行自蒸馏（informed self），利用训练过程中近未来的自身提供辅助学习信号（temporal self），以及让多个专家分支边训练边互教实现协同进化（parallel self）。核心目标是让模型为自己生成贴合当前能力、更易吸收的高质量学习信号。项目涉及RLVR、在策略蒸馏（OPD）、多专家融合等后训练核心技术，具有明确的学术前沿性和发表潜力。

任职要求

-在读硕士或博士研究生，计算机科学、人工智能、机器学习等相关专业 -熟悉大语言模型（LLM）的基本原理，了解Transformer架构与主流开源模型（如Qwen、LLaMA等） -具备扎实的Python编程能力和PyTorch深度学习框架使用经验 -对强化学习（尤其是RLHF/RLVR）、知识蒸馏、或大模型后训练方向有了解或研究兴趣 -具有良好的文献阅读能力和数学基础，能理解优化目标推导与理论分析 -逻辑思维清晰，具备独立设计和执行实验的能力 -实习期间每周可投入至少4天，持续5-6个月以上

加分项：

-有RLHF/RLVR/DPO等大模型后训练方法的实践经验 -有使用分布式训练框架（如veRL、DeepSpeed、FSDP等）的经验 -有强化学习、知识蒸馏、或LLM推理能力提升方向的论文发表 -熟悉GRPO、PPO等策略优化算法的原理与实现

特色标签

Python、RL、Transformer架构、Transformer模型、专家协同、分布式训练、发表算法相关优秀论文、可验证奖励的强化学习、基于可验证奖励的强化学习、多专家集成、大模型、大模型后训练、大模型算法、大语言模型、强化学习、强化学习策略优化、强化学习算法、机器学习、模型加速/性能优化、模型后训练、模型蒸馏、深度学习、策略优化算法、算法工程化经验、自然语言处理算法、自监督蒸馏、自身蒸馏、蒸馏、近端策略优化、近端策略优化算法