模型后训练研究员
你将设计奖励函数并尝试攻破它:编写评分器、让模型主动寻找漏洞,再核对评分器是否真的衡量了目标。
- 最高 220 美元/小时
- 远程
- 合同合作 · 时间灵活
- 工程与机器学习
- 服务方向:SimReal-MLBench
我们希望你具备
前沿模型实验室或同等机构经验
- 在实验室或研究团队从事过 RLHF、RLVR 或奖励模型工作
- 习惯先寻找取巧路径,再评估正常解法
- 了解薄弱奖励信号如何影响整个训练过程
- 熟悉方差、pass^k 与数据污染检查
你可能参与
- 为多步骤任务设计基于不变量的奖励函数
- 用退化策略攻击评分器并记录绕过方法
- 审查奖励规范中可被利用的漏洞
- 明确新领域中可靠验证器的设计标准
参与方式
申请岗位,或先加入候补名单。
- 01
提交申请
选择岗位,回答一道与你的专业判断有关的问题。
- 02
按任务分批邀请
相关领域的环境开放后,我们会联系合适的专家。
- 03
一起定义怎样才算做对
通过远程合同合作,参与任务设计、过程记录和结果复核。
暂时不申请?留下邮箱和专业领域,适合的任务开放时我们会联系你。