具身基础模型算法工程师

负责具身视觉语言动作模型（VLA）和世界动作模型（WAM）的架构设计、训练、评测和真实机器人部署。

研究视觉、语言、动作、本体状态和环境状态的统一表示与联合建模。

研究视频预测、动作预测、环境状态建模和机器人动作生成的联合建模方法。

负责多任务、多场景和多机器人构型下的策略学习与动作生成。

研究行为克隆、强化学习、模仿学习、扩散策略、视频预测和动作分块等方法。

负责机器人长程任务中的任务理解、动作规划、状态预测和策略执行。

研究长时序任务规划、动作分解、动作 chunking 和未来状态预测。

负责模型训练数据的预处理、清洗、增强、数据混合、训练配比和质量分析。

设计模型评测体系，覆盖任务成功率、动作质量、恢复能力、安全性和推理延迟。

负责模型从仿真到真实机器人的迁移，解决视觉差异、动力学差异和动作接口不一致问题。

与数据、仿真、控制、Agent和机器人平台团队协作，打通数据采集、训练、部署和反馈闭环。

参与跨本体、跨任务和跨环境的模型泛化研究，探索 robot token、embodiment context 和 in-context adaptation

计算机、机器人、自动化、人工智能、电子工程等相关专业硕士及以上学历。

具有机器学习、深度学习、机器人学习或多模态模型研发经验。

熟悉 Transformer、Diffusion、行为克隆、强化学习、模仿学习、视频预测或世界模型中的一种或多种。

熟悉 PyTorch，具备模型训练、调试、微调和性能优化能力。

熟悉 Linux、Git、Python，能够独立完成算法实现和实验复现。

理解机器人状态、动作空间、控制频率、传感器延迟和真实部署约束。

具备大规模模型训练、分布式训练或多机多卡训练经验。

具备良好的实验设计、问题分析和论文/代码复现能力。

能够将研究方法转化为真实机器人可运行的工程系统。 加分项

有 π0/π0.5/π0.7、LingBot-VLA、DreamZero、Dreamer系列、LAPA、fast-WAM等项目经验。

有 VLA、WAM、世界模型、视频预测或机器人基础模型论文/开源项目经验。

有大规模多模态数据训练、分布式训练或多机多卡训练经验。

有真实机器人部署、Sim2Real 或跨本体迁移经验。

有 in-context adaptation、long-context control、test-time adaptation 或 demonstration-conditioned policy 经验。

有灵巧手、触觉、力控、多模态融合或长程操作任务经验。

有 ICRA、IROS、CoRL、RSS、NeurIPS、ICLR、ICML、ICCV、CVPR、ECCV等论文或开源成果