具身智能算法工程师

主导或参与 WAM（全身动作模型）与 VLA（视觉语言动作模型） 的架构设计与训练优化，攻克感知-理解-决策-执行端到端链路中的核心难题；

探索视觉-语言-动作联合预训练的新范式，研究扩散策略、自回归动作生成、时序建模等前沿方法在机器人控制中的高效落地；

构建高质量多模态数据集（图像、视频、语言、全身动作等），设计数据标注标准与质量评估体系，开发大规模训练Pipeline；

推进模型推理优化与部署，平衡性能与效率，支撑真机实时控制需求；

跟踪并复现 NeurIPS/ICML/ICLR/CVPR 等顶会最新成果，结合业务场景进行创新性改进与工程化落地；

基本要求

海内外顶尖高校（如C9、985头部、全球QS/THE排名前50等）计算机科学、人工智能、机器人学、自动化等相关专业，2027届博士优先，特别优秀的硕士亦可；

具备扎实的数理基础与极强的自驱力，对具身智能有深刻理解与长期投入意愿。

、学术研究能力

须以第一作者（含导师一作、本人二作）身份，在以下领域满足至少一项：

在 NeurIPS / ICML / ICLR / CVPR / ECCV / ICCV / RSS / CoRL 等CCF-A类或机器人顶会/期刊发表至少1篇（博士要求2篇及以上）高水平论文，且论文须具备以下特征之一：

提出创新性方法论，对该方向有实质性推动；

开源代码获得较高社区关注度（如GitHub Stars ≥300）；

被后续工作高频引用，具备领域影响力；

在 RoboCup / DARPA Robotics Challenge / ICRA DJI RoboMaster AI Challenge 等国际顶级机器人赛事中获得全球前三成绩 三、专业技术能力 1.深入理解 VLA 模型架构（如RT系列、OpenVLA、π0等），熟悉视觉-语言-动作对齐的核心技术路线； 熟悉 WAM 相关方法（全身动作表征、全身运动规划、人形/双臂机器人控制等），了解扩散策略、流匹配等生成式动作2.建模方法； 掌握强化学习（RLHF/PPO/DPO）、模仿学习（行为克隆/DAgger）、世界模型等具身学习范式； 对多模态大模型（LLM/VLM）的预训练、指令微调、对齐技术有系统认知。

工程实践： 精通 PyTorch，具备从零搭建大规模分布式训练框架的能力； 扎实的 Python/C++ 功底，熟悉 CUDA 编程、模型量化/蒸馏/推理加速者优先； 熟练使用 Isaac Gym / MuJoCo / PyBullet 等仿真平台，有真机部署经验者优先；