Coding方向青年科学家

面向真实软件研发任务，研究 Coding Agent 的核心方法，提升模型在仓库级理解、长程任务执行、工具使用、错误修复和持续学习等方面的能力，推动算法、数据、环境、训练和评测形成完整闭环
1. Coding 模型与智能体算法
- 研究代码理解、生成、推理和软件工程任务中的关键算法
- 研究仓库级长上下文建模、任务规划、工具使用和多智能体协作
- 研究基于 SFT 与强化学习的后训练方法，提升模型的推理和执行能力
2. 数据与评测体系
- 建设高质量代码数据的生产、清洗、配比和质量控制体系
- 研究合成数据、执行反馈数据及长程 Agent 轨迹的构造方法
- 建设覆盖代码生成、仓库级开发和真实软件工程任务的评测体系
3. 训练与 Agent 基础设施
- 建设支持 Coding Agent 训练、Rollout 和评测的环境 Infra
- 建设支持长轨迹、多轮交互和可验证奖励的 RL Infra
- 推动模型在真实研发场景中的稳定、高效部署与应用
4. 科研与技术领导
- 提出具有原创性和实际价值的研究课题，主导技术路线和规模化实验
- 产出高水平论文、模型、Benchmark、开源系统或技术报告
- 指导团队开展技术攻关，建设持续演进的 Coding Intelligence 能力

- 计算机科学、人工智能、数学、统计学或相关专业的博士学历且有3年以上相关研究经验
- 在大语言模型、智能体、强化学习或机器学习系统方向有系统积累，对Coding Intelligence方向有浓厚兴趣和深入理解
- 发表过高水平论文，或取得过具有同等影响力的模型、系统及开源成果
- 具备优秀的编程能力，熟练掌握Python、PyTorch等深度学习框架
专业能力
候选人应在以下至少一个方向具备突出成果，并对其他方向有较强理解：
A. Coding 模型与 Agent 算法
- 深入理解代码大模型的预训练、后训练及推理方法
- 熟悉规划、搜索、工具调用、执行反馈和错误自我修复机制
- 具有 Coding Agent 或长程智能体的研究及实践经验
B. Coding 数据与强化学习
- 熟悉代码数据合成、清洗、去重、配比和质量评估方法
- 熟悉 SFT、PPO、GRPO、奖励建模或可验证强化学习
- 能够解决长轨迹训练中的信用分配、奖励投机和泛化问题
C. 训练、环境与评测 Infra
- 深入理解大模型训练、推理、Rollout 和评测系统
- 具有分布式训练、高性能推理或大规模 Agent 执行经验
- 熟悉容器、沙箱、代码执行环境和自动化验证机制
优先考虑
- 在代码生成、程序分析、软件工程智能化或 Coding Agent 方向取得过有影响力的成果
- 主导过代码大模型训练、Coding Agent 或仓库级开发智能体项目
- 负责过代码数据飞轮、强化学习系统、执行环境或评测平台建设
- 参与过具有影响力的大模型、开发工具或开源项目核心研发