职位描述
项目背景：构建下一代通用具身智能系统。面向灵巧手和机械臂，打造具备高度泛化性的"通用大小脑"架构，以及用户生态友好的低门槛开发平台。团队正在快速扩充中，以助力数万台交付为目标。
VLA 通用操作大模型架构设计与训练：负责 VLA 主干架构的设计与迭代，实现从多模态观测到动作的端到端映射，追求跨任务、跨本体、跨场景的强泛化能力。
WAM（World-Action Model）开发与应用：构建面向操作场景的世界—动作
联合模型，用于数据增广、想象式 Rollout、规划与反事实推理。
多模态表征与动作 Tokenization：设计视觉—语言—动作联合表征方案，研究 Action Tokenization、连续 vs 离散动作空间、流匹配/扩散式动作生成等关键设计选择。
大规模分布式训练与数据配比：负责 ≥7B 参数模型的分布式预训练/后训练，涵盖数据配比、课程学习、MoE、灾难性遗忘抑制、对齐微调（LoRA/DPO/RLHF）等，确保训练效率与模型质量。
真机部署与推理优化：完成端到端模型从训练到真机部署的全链路打通，包括推理加速（TensorRT、vLLM）、KV-Cache 复用、模型并行、Action Chunking 在线拼接、闭环延迟优化等。任职要求
大模型基础：深刻理解 Transformer 及其变体，熟悉 LLM/VLM 的预训练、SFT、LoRA 等主流范式。
VLA 与 WAM 架构理解：系统掌握主流 VLA 架构谱系与 WAM 世界模型
范式的设计思路与技术细节，理解各架构在动作生成、世界建模、跨本体泛
化上的优势与局限。
分布式训练：有 >1B 模型的分布式训练经验，对混合精度、激活重计算、张量/ 流水/专家并行有深入理解。
数据与仿真：熟悉主流物理仿真引擎；具备大规模多模态数据的清洗、配比与质量评估经验。
编程与工程：精通 Python 与 PyTorch，具备 C++ 工程能力；熟悉 CUDA/Triton 算子优化或 TensorRT 推理加速。
有大模型、多模态学习、机器人学习、世界模型等相关领域实习经验。
