商汤｜大模型训练实习生

1、参与多模态理解生成一体模型的 Pre-training / SFT / Post-training 训练，研究数据配比、训练策略、Loss 与采样策略对模型能力的影响； 2、参与多模态模型强化学习训练，实践 PPO / GRPO / DPO 等 RL / Preference Learning 方法，设计 RL Training Pipeline，分析并解决 Reward Hacking、训练不稳定、策略退化等问题； 3、负责 / 参与 Reward Model 的设计与训练，针对图文一致性、视觉质量、信息准确性、指令遵循等维度构建 Reward 4、探索 VLM-as-a-Judge 与自动化 Reward； 5、构建 RL / Reward 数据闭环，参与 Badcase 分析、实验设计与模型迭代； 6、跟踪前沿研究，复现论文方法并结合实际模型进行改进。

1、扎实的机器学习 / 深度学习基础 2、较强的 Coding 能力 3、较强的实验设计与问题分析能力 4、对大模型训练 / 强化学习有强烈兴趣 5、实习时间稳定 加分项： 有 LLM / VLM / MLLM 训练经验，或相关方向 paper / 开源项目； 有 SFT / RLHF / RLAIF / DPO / PPO / GRPO 实践经验； 有 Reward Model / Preference Model 训练或 Reward Engineering 经验； 有 VLM-as-a-Judge、图文生成、视觉推理相关项目经验； 熟悉 Transformers、DeepSpeed、FSDP、Megatron、vLLM，有多 GPU 分布式训练经验； 数学基础好，对优化、强化学习理论感兴趣； 能快速阅读英文论文。