阿里巴巴
校招算法工程师-强化学习模型训练
北京/杭州/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1. 计算机、人工智能、自动化等相关专业本科及以上学历。
- 2. 具备扎实的机器学习与深度学习基础，对强化学习有基本了解；在以下方向有研究或项目经验者优先：
- （1）强化学习算法（PPO、GRPO 等）与大模型 RL 训练；
- （2）Agent 系统、代码生成、Reward Modeling 或大规模训练；
- （3）复杂任务场景中的算法落地与系统优化。
- 3. 对真实任务场景与模型行为有较强洞察力，具备目标导向的问题分析与推进能力；对算法、数据与 reward signal 有良好直觉，能够结合实际问题持续迭代方案并提升模型表现。
- 4. 极强的求知欲与学习能力，逻辑清晰，善于独立思考，具备良好的沟通与团队协作能力。
- 5. 熟悉 Python 与主流深度学习框架，具备较强的工程实现能力；有高水平论文、开源项目、竞赛成绩或实际落地成果者优先。
岗位描述
强化学习（RL）是基础模型持续演进的重要技术方向，被广泛应用于提升模型在复杂任务中的推理、规划、编码、工具调用与长程决策能力。我们持续探索 RL 在长程代码任务、视觉交互、真实环境执行、数学与代码竞赛等场景中的应用，推动模型在复杂开放任务中的自主性与执行表现。欢迎对大模型与强化学习方向有热情的同学加入。
- 1.研究 PPO、GRPO 等强化学习算法，提升大规模 RL 训练的稳定性与效率；探索 RL scaling law、长程训练、多任务融合与系统优化等方向，提升模型持续训练收益与泛化能力。
- 2.优化端到端 Agentic RL 链路，提升算法与系统整体效率，增强 Agent 在推理、长程规划、代码生成与工具调用等场景中的能力；结合 critic model 与过程奖励机制，对 Agent 行为进行有效引导，提升 scaffold 泛化性、指令跟随能力与推理效率。
- 3.提升 RL 在长程任务与复杂开放任务中的表现，研究训练效率优化、复杂任务学习方法；探索多 Agent 协作、自我反思、记忆机制与规划等方向，提升奖励信号、奖励模型与 Agentic Verifier 的准确性和鲁棒性。
- 4.与研究员和工程师协作，持续迭代 Coding Agent 与 Long-horizon Agent 的训练数据、奖励信号与执行环境；改进合成数据生成方法，针对模型能力短板构建可验证的 RL 数据，提升基础模型在前沿 benchmark 与真实任务场景中的表现。
- 1. 计算机、人工智能、自动化等相关专业本科及以上学历。
- 2. 具备扎实的机器学习与深度学习基础，对强化学习有基本了解；在以下方向有研究或项目经验者优先：
（1）强化学习算法（PPO、GRPO 等）与大模型 RL 训练；
（2）Agent 系统、代码生成、Reward Modeling 或大规模训练；
（3）复杂任务场景中的算法落地与系统优化。
- 3. 对真实任务场景与模型行为有较强洞察力，具备目标导向的问题分析与推进能力；对算法、数据与 reward signal 有良好直觉，能够结合实际问题持续迭代方案并提升模型表现。
- 4. 极强的求知欲与学习能力，逻辑清晰，善于独立思考，具备良好的沟通与团队协作能力。
- 5. 熟悉 Python 与主流深度学习框架，具备较强的工程实现能力；有高水平论文、开源项目、竞赛成绩或实际落地成果者优先。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。