Qwen正迈向数T参数规模参数MoE、多模态强推理与自我反思能力的新阶段，基于人类反馈的强化学习（RLHF）已成为能力质变的关键。然而，现有训练架构面对千卡到万卡集群、复杂多轮交互及自我博弈等前沿范式，效率与灵活性已触及瓶颈。你需要定义并构建下一代RL训练引擎——它将是驱动Qwen超大规模进化的算力心脏。这不仅是工程挑战，更是定义大模型对齐与涌现范式的科研无人区。 岗位职责： 1. 设计支持数T参数MoE模型的分布式RL架构，实现计算、通信与采样的极致重叠，数倍提升吞吐量。 2. 构建高度解耦的算法支持框架，使On/Off-Policy算法可敏捷迭代与混合部署。 3. 实现推理与训练资源的统一弹性调度，让“推理时搜索”“反思”等产生训练信号的环节与大规模训练无缝协同，最小化GPU空转。 4. 建立自愈式的训练稳定性体系，突破长周期、超大规模下的数值收敛与故障自恢复难题。