腾讯｜混元基座模型-Reward System研究实习

课题背景： 奖励系统（Reward System）是一种在人工智能，尤其是大模型RLHF训练中，为模型提供关键奖励信号的核心组件。奖励系统主要通过构建一个Reward Model，模拟人类的价值观和偏好，对大模型生成的候选回答进行自动打分与排序。它不是让模型在海量数据中盲目模仿，而是通过精确的奖惩反馈机制，引导大模型朝着更符合人类期望的方向演进。通过奖励系统，大模型显著提升了人类对齐水平、增强了输出的安全性和有用性、更好地适应了复杂的交互场景。不过，随着模型能力的提升，当前的奖励系统正面临严峻挑战，例如“Reward Hacking”现象导致模型学会了迎合打分规则而非真正解决问题；同时，高质量人类偏好数据的标注成本极其高昂且带有主观偏见，容易引发过度优化（Over-optimization），极大限制了模型综合能力的上限。 课题挑战： 如何构建更加鲁棒、低成本且能精准反映复杂价值判断的奖励系统（如探索基于规则或过程的奖励机制），已经成为大模型对齐技术进一步突破上限的当务之急，目前业界仍缺乏能够有效解决奖励失效的成熟方案，亟待我们攻坚突破。 具体工作： 针对上述挑战，本课题具体工作包括： 1、 引入大模型辅助反馈（RLAIF）与自动化规则约束，大幅降低人工标注成本并减少主观偏见； 2、研发动态对抗与多目标奖励融合机制，通过迭代更新有效识别并抑制“Reward Hacking”现象； 3、构建多维度价值评价体系，平衡安全性与有用性，缓解过度优化，全面提升奖励系统的鲁棒性与对齐上限。

1、自然语言处理/机器学习/模式识别/人工智能/计算机等相关专业硕士以上学历； 2、在NLP、LLM、深度学习、强化学习方面有一定研究基础，熟悉主流模型和算法，并有一定的实践经验； 3、较强的工程实现能力，熟练掌握C/C++，Python等至少一种语言，有实际编程项目经验，熟悉DeepSpeed、Megatron等分布式训练框架，熟练使用至少一种深度学习框架(如TensorFlow，PyTorch等)； 4、有高质量论文发表者优先（如ACL、EMNLP、NeurIPS、ICML、ICLR等)； 5、具备强烈的进取心、自驱力及团队合作精神，热衷于追求技术创新。 【加分项或注意事项】 此课题同时招聘应届实习生和低年级实习生。