多模态大模型算法工程师(VLM/VLM+RL/Agent)

多模态大模型（VLM）基座训练： 1-1负责 UrbanVLM 基座模型的架构设计、预训练（Pre-training）与指令微调（SFT）。 1-2深入优化视觉编码器（基于 ViT-Large 架构）与语言模型（LLM）的对齐模块，重点提升模型对复杂开放场景的深层语义理解、常识推理与长程规划能力。 1-3构建标准化的意图下发与调度接口，确保 UrbanVLM 的宏观决策能够与下游的 VLA（视觉-语言-动作）、VLN（视觉-语言-导航）以及 WAM（世界动作模型）实现低延迟、高可靠的认知协同。

具身 Agent 架构与前沿技术研究： 2-1负责 UrbanVLM 的 Agentic 架构研发，探索并落地前沿的具身智能体工作流。 2-2研究多模态工具调用（Function Calling / Tool-use）机制，将底层的技能基元（Skill Primitives）、WAM 的未来前向预测、以及各类外部数据源（如高精语义地图、市政 SOP 知识图谱）封装为大模型可调用的工具，实现复杂长程作业任务的自动化拆解与调度。

基于 RL 的多模态对齐与长程推理（VLM+RL）： 3-1负责 VLM 的偏好对齐工作（RL），将人类专家或物理仿真环境的反馈注入模型，消除 VLM 在复杂业务决策中的逻辑幻觉。 3-2前沿探索： 将强化学习引入 VLM 的多模态思维链（CoT）训练中，通过过程奖励机制（PRM）或 Outcome 奖励，提升模型在长程任务编排和逻辑推理能力。

多模态数据引擎与高质量指令集建设： 4-1主导构建面向具身智能场景的高质量多模态训练数据集（包含复杂场景理解与逻辑推演、行业 SOP 规范、宏观技能调度）。 4-2利用大模型辅助、合成数据（Synthetic Data）生成及多模态数据清洗策略，打造支撑 VLM 认知能力持续跃迁的数据飞轮。

极致的模型量化与推理优化： 5-1与工程团队紧密配合，负责 VLM 的端侧或云端高效部署，解决 KV Cache 优化、低比特量化（AWQ/GPTQ）等工程瓶颈，确保模型在具身闭环控制中的高效推理

基础背景： 1-1计算机、人工智能相关专业硕士及以上学历。 1-2VLM技术研究或落地相关经验： 在一线互联网公司（如多模态搜索/推荐/生成业务）、自动驾驶或具身智能领域，有明确的 VLM 模型训练落地经验与业务产出（非纯 API 调用或浅层应用）。 1-3深入理解且拆解过主流开源 VLM 架构（如 LLaVA 系列, Qwen-VL, InternVL 等），对其代码实现有源码级的掌控力，能快速复现或修改源码进行高并发实验。

VLM + RL 经验优先考虑： 2-1熟悉且实际跑通过 LLM / VLM 的 RLHF 或 DPO 全流程。 2-2有过基于强化学习优化大模型推理能力（如基于 RL 的 CoT 训练、多模态 Reward Model 训练），清楚其中训练过程中的坑点与解决策略。 2-3熟知 DeepSeek-R1、OpenAI o1 等在 Test-Time Compute 与 RL 结合方向的最新演进理念。

编程与 AI 工程： 3-1AI Coding ： 习惯且熟练使用Codex、Claude Code 等 AI 辅助编程工具，具备极高的代码产出效率与“用 AI 构建 AI”的工作方式。 3-2精通 PyTorch，熟练使用大规模分布式训练框架（Megatron-LM, DeepSpeed, FSDP），对显存优化、算子融合、通信瓶颈有深度排查与调优经验。 3-3熟悉大模型推理加速框架（如 vLLM, TensorRT-LLM）