【2027】多模态算法工程师（北京）

负责具身智能多模态算法核心研发与迭代，聚焦机器人、智能设备场景下视觉、文本、激光雷达、IMU、语音等多传感器信息融合，主导具身感知、场景理解、智能交互、行为决策等核心模块的设计与开发；

负责具身多模态大模型的微调、对齐与适配优化，基于VLM、多模态基座模型实现机器人环境感知、指令理解、视觉定位、语义导航、操作预判等能力，解决真实物理场景下感知不准、指令理解偏差、环境泛化性弱等核心问题；

落地具身智能核心业务场景，包括但不限于家用/工业机器人交互、自主导航、智能操控、环境语义重构、人机协同作业、端侧具身智能推理等，完成算法从原型设计、仿真验证、真机调试到业务落地的全流程迭代；

搭建适配具身场景的多模态数据集，针对真实物理环境、复杂作业场景进行数据采集、清洗、标注、增强和合成，构建机器人专属的视觉-文本-行为多模态训练数据系，支撑模型迭代优化；

针对机器人端、嵌入式端设备进行算法工程优化，完成模型轻量化、量化、蒸馏、推理加速，适配端侧低算力、低延迟、高稳定性要求，解决真机部署中的算力受限、环境干扰、实时性不足等问题，保障设备常态化稳定运行；

硕士、博士应届毕业生；

计算机科学、人工智能、机器人工程、模式识别、自动化、电子信息、数学等相关专业；

技能要求：

基础能力：具备扎实的机器学习、深度学习、计算机视觉、概率论数理基础，熟悉机器人感知、定位、导航、控制基础原理，理解具身智能“感知-决策-执行”闭环逻辑；

技术栈要求：熟练使用Python，精通PyTorch/TensorFlow主流深度学习框架，具备独立完成具身多模态模型训练、微调、评估、迭代的完整能力；精通Transformer架构，熟悉主流具身多模态模型及方案，包括LLaVA、Qwen-VL、Robo-VLM、视觉语言导航模型、具身世界模型等，掌握视觉-文本-动作跨模态对齐、多传感器融合核心技术；扎实掌握计算机视觉核心技术，包括图像检测、分割、特征匹配、深度估计、视觉定位，熟悉NLP指令理解、Prompt工程、LoRA/QLoRA高效微调方案；熟悉ROS/ROS2机器人开发框架，了解嵌入式端、端侧推理优化，掌握TensorRT、ONNX等部署工具，具备模型轻量化、推理加速实战经验优先。

具备相关项目经验者优先

英语通过CET-6。