职位描述1. 负责具身智能 Video-Action Model / World Action Model 的模型架构设计、预训练及核心算法研究。 2. 研究视频生成与机器人动作的统一建模方法，探索视觉状态、动作、未来环境变化之间的联合表示与预测机制。 3. 研究基于 Video Diffusion、Flow Matching、Diffusion Transformer 等架构的时空建模方法，重点突破长时序历史理解、动作条件视频预测、时序一致性及高效推理等技术问题。 4. 探索世界模型在机器人动作生成、未来状态预测、规划及策略优化中的应用，并通过离线实验和真实机器人任务验证技术价值。 5. 跟踪世界模型、视频基础模型及具身智能前沿研究，推动创新算法在大规模模型训练中的落地。任职要求1. 具备较强的深度学习算法研究能力，熟悉 Transformer、Diffusion Model、Flow Matching 等生成式模型原理。 2. 具有视频生成、Video DiT、世界模型、多模态生成或 VLA 相关研究及训练经验。 3. 熟悉视频时空建模、序列学习、多模态条件生成及大规模模型训练。 4. 具有较强的论文理解、算法复现和独立研究能力。 5. 在视频生成、世界模型、机器人基础模型等方向有代表性论文、大规模训练经验者优先。
