职位类别：技术类 业务集团：阿里巴巴控股集团 职位描述：你将深度参与强化学习后训练数据产线的构建，通过迭代数据来优化基模的各种能力。 1.结合训练需求和模型能力分析，确定 RL 数据的覆盖范围与优先级；从多种渠道的海量数据里筛选挖掘样本并构建出清晰、可执行的问题描述。 2.针对 Coding 及 Work 等场景，以人机协作的方式设计并构建Agent的运行环境，以及可量化的 Verifier 或多维度打分 Rubric。需要保证环境和Judge的正确性、完整性、鲁棒性，且持续迭代以应对 Reward Hacking等各类挑战，确保评估信号与训练目标对齐。 3.端到端搭建批量化的数据生产与验证 Pipeline，涵盖任务生成、轨迹采样、自动校验和质量过滤，保障进入训练的数据可信、可追溯。 4.与领域专家和算法/训练等团队紧密配合，将模型效果反馈转化为数据策略调整（任务难度、Reward 信号、标注规范等）。 职位要求：1.计算机、数学、统计学等相关专业硕士/博士优先，优秀本科生不受限制。有顶会论文（ACL/EMNLP/ICLR/NeurIPS/ICML等）/高影响项目/开源贡献者加分。 2.具备Data-centric AI意识，精通后训练所需高质量数据挖掘与构造，具备合成数据（Synthetic Data）与动作轨迹（Trajectory）构建实践经验者优先。 3.能理解 Reward Modeling 基本原理及 Reward 信号设计对 RL 训练（PPO/GRPO/DAPO 等）的影响，有 RL/Post-Training 研究或机器学习Applied Scientist 相关经历者优先， 4.熟练使用 Python，熟悉主流的harness/agent框架，能独立完成数据处理脚本、自动化 Pipeline 和 QA 校验工具的开发 5.沟通与文档能力：优秀的书面表达能力，能产出清晰的 Rubric 规范、技术方案和问题定义文档；善于跨团队协作，能将算法侧的模型反馈准确翻译为数据策略调整。 6.有大规模机器学习任务调优经验者优先，有某个领域任务深度经验者优先（数学物理，ACM，kernel研发，高并发/HFT，软件工程，research，science等） 对LLM，AGI/ASI感兴趣，践行AI Native工作范式者优先