物理AI算法工程师（通用基模）

构建下一代面向通用物理AI的原生多模态大模型，提升模型在动态环境感知、空间推理及指令遵循方面的基础能力，让模型具备跨场景、跨本体的通用理解与交互能力；

研发物理AI原生的视觉-语言-动作联合预训练范式，以及SFT、RL、DPO相关后训练技术；突破潜空间世界表征学习、自进化迭代等相关前沿难题；

参与预训练数据体系的建设，包括不同来源、构型数据的使用和数据配比策略研究，设计数据过滤、去重及质量评估机制，构建覆盖多样化场景的大规模训练集；

跟踪多模态预训练领域前沿进展（如MoE、多模态融合架构、高效Attention机制等），结合训练和部署算力协同优化模型架构与Infra，持续提升物理AI基模架构的Scaling效率。

计算机科学、人工智能、电子信息等相关专业本科及以上学历；

深入理解Transformer架构及预训练技术（如Masked Modeling、CLIP-style对比学习、多模态对齐等），具备从零搭建预训练pipeline的能力；

对大语言模型 / 多模态大模型有深入理解，熟悉主流 VLA / 端到端驾驶 / 具身模型架构的原理与训练流程；

熟练使用DeepSpeed/Megatron/LaMMA-Factory等分布式训练框架，熟悉模型并行、数据并行、流水线并行等加速策略；

在领域内知名比赛取得优异成绩者优先，在顶级会议（CVPR/ICML/NeurIPS/ICLR）发表过相关论文者优先。