米哈游｜LLM Post-train 算法研究员实习生

1）后训练算法研发：参与游戏内容、角色扮演等场景下大模型的后训练（Post-training）算法研发工作，涵盖 SFT、RLHF、DPO 等对齐方法的实现与优化，提升模型在剧情生成、角色一致性、对话连贯性、情感表达等维度的能力 2）奖励模型训练：参与 Reward Model 的设计与训练，探索面向对话质量、情感表达、角色一致性、安全性等维度的奖励信号构建，支撑强化学习训练流程 3）强化学习训练优化：参与基于 PPO/GRPO 等算法的大模型对齐训练，探索训练稳定性、采样效率和效果提升方法，支持模型在复杂多轮对话和开放域生成场景中的优化 4）数据工程：参与后训练阶段的数据构建工作，包括 SFT 数据设计、偏好数据采集与标注、数据清洗与质量评估，探索数据合成、数据增强与数据混合策略 5）多类型模型训练：参与辅助模型（如分类器、决策模型等）的训练与调优，支撑模型产品体系建设 6）实验与迭代：完成训练实验的设计与执行，分析实验结果，定位模型表现问题，提出改进方案并在时延要求内推动落地 7）前沿技术探索：跟踪 Post-training 领域最新研究进展（如 RLAIF、On-Policy Distillation、推理链压缩等），结合游戏对话业务需求进行技术预研与创新落地

1）2028 届在校硕士及以上学历，计算机科学、人工智能、机器学习、NLP 或相关专业 2）熟悉 Transformer / MoE 架构原理，熟练使用 PyTorch 及主流大模型训练/推理框架（如 DeepSpeed、Megatron-LM、VeRL、Slime、vLLM、SGLang 等） 3）具备扎实的强化学习基础，理解 PPO/DPO/GRPO 等算法原理，有将 RL 方法应用于语言模型对齐的实践经验 4）有 LLM 微调、对话系统训练或文本生成相关的研究或项目经验，了解分布式训练基础知识 5）具备较强的代码工程能力和实验设计能力，能够快速实现和验证算法思路 6）对数据质量敏感，了解 SFT 数据、偏好数据和奖励信号对模型效果的影响机制 7）具备良好的学习能力和逻辑思维，对 AI 前沿技术有持续热情 加分项 1）有 Reward Model 训练、强化学习（PPO/DPO/GRPO）应用于语言模型的研究或实践经验 2）在 ICML/ICLR/ACL/EMNLP 等顶级会议上发表过相关论文 3）深度体验过多款 AI 游戏、AI 对话、角色扮演产品，对模型人文能力有直觉判断 4）有大规模模型训练实践（参与过十亿参数以上模型的训练或微调） 5）了解游戏叙事、角色设定相关知识，或有游戏/互动内容创作相关背景 6）有数据标注设计或高质量训练数据构建经验