职位描述
1. 参与视觉语言大模型（VLM）面向具身、人形机器人场景的算法研发、训练与验证，协助将 VLM 能力落地到机器人环境感知、操作规划、人机交互任务，共同打造物理世界视觉智能体。
2. 参与 VLM 后训练链路开发，包括 SFT 数据构建、偏好数据处理、奖励模型实验、RLHF/GRPO/PPO 等对齐策略的复现与对比实验，从视觉理解、空间感知、指令跟随、物理常识角度辅助迭代基座模型。
3. 参与 VLM 视觉感知能力优化，围绕细粒度识别、空间与时序理解开展实验，协助探索 Visual Agent 技术方案，提升模型对物理场景的推理和任务规划能力。
4. 协助完成 VLM 模型微调、评测、推理适配工作，配合机器人平台与硬件团队，在仿真环境 / 真机上开展模型验证、性能分析与调优。
5. 参与具身场景评测体系搭建、Badcase 收集与分析，协助维护数据回流、数据飞轮闭环，基于真实交互反馈定位模型问题。任职要求
1. 计算机、人工智能、自动化、模式识别、机器人、数学等相关专业，在读硕士及以上。
2. 具备扎实的深度学习基础，理解 Transformer 基础原理，了解 ViT、CLIP、BLIP、VLM/LLM 等多模态大模型基础概念；熟悉大模型 SFT、对齐的基本思路。
3. 熟悉 Python、PyTorch；具备良好代码能力，能够独立跑通模型训练、评测实验，有大模型微调、多模态、强化学习任一方向项目经历。
4. 具备良好的科研思维，会阅读英文论文，能够设计对照实验、分析实验结果、定位模型问题（幻觉、空间理解差、指令不跟随等）。
5. 沟通顺畅，有较强自驱力，愿意和硬件、工程团队协作，能稳定实习至少 3 个月，可全职到岗优先。
加分项
1. 有 VLM、具身智能、机器人视觉、多模态强化学习相关科研项目、课程项目，或相关方向顶会论文一作 / 共同作者。
2. 参与过 SFT、奖励建模、RLHF/GRPO、多模态 Agent 相关项目，HuggingFace 开源项目贡献者优先。
3. 有 Omni 统一多模态模型训练、部署相关实验经验优先，理解 Omni 能力边界与局限，熟悉流式多模态交互实现思路。
4. 熟悉 DeepSpeed、Megatron-LM、vLLM 等训练推理框架，了解分布式训练基础；有 Diffusion、仿真环境（IsaacGym/Mujoco）使用经验。
5. 有机器人仿真 / 真机调试、模型推理优化经验；有算法、数学类竞赛奖项、头部实验室科研经历。
