算法方向：VLA基座模型 1、研究具身智能基座模型/VLA的关键架构与训练方法，围绕多模态表征对齐、任务理解、技能选择和动作生成开展原型验证，逐步沉淀自研模型能力。 2、复现、评测并适配主流开源VLM/VLA及轻量化模型，围绕多模态预训练、模仿学习、强化学习或生成式动作建模开展微调、后训练与方法创新。 3、参与真实机器人数据体系建设，负责数据规范、训练数据配方、质量分析、失败样本挖掘以及训练—评测—实机反馈闭环，将垂直场景和工程经验沉淀为可持续迭代的模型能力。 4、研究机器人技能的表征、学习、评测、组合与迁移方法，与软件及平台团队共同建设技能版本管理和开放接口，验证跨本体、跨任务、跨场景复用能力，降低新场景迁移与交付研发成本。 5、联合VLA应用、感知、SLAM、运动控制、仿真及软件团队完成实机闭环验证，依据量化指标提升模型的泛化性、鲁棒性、推理效率及安全约束下的任务成功率，为人形机器人和工业具身智能业务提供基础能力。

1、博士应届毕业生，计算机、人工智能、机器人、自动化等相关专业。 2、具备扎实的深度学习、多模态学习、机器人学习及数学基础；在VLM/VLA、模仿学习、强化学习、世界模型或生成式动作模型等至少一个与机器人决策、动作生成直接相关的方向有深入研究。 3、完整参与过至少一条多模态或机器人模型训练与评测链路，理解数据配方、预训练、后训练、分布式训练及系统化评测方法；有其中两项以上深入实践者优先。 4、熟练使用Python及PyTorch/JAX中的至少一种，具备Linux/CUDA开发能力，能够阅读或开发C++代码；有ROS/ROS2及MuJoCo、Isaac Sim或Gazebo经验者优先。 5、能够独立复现代表性工作并设计严谨的对照实验；有真实机器人闭环、大规模机器人数据训练或跨本体技能迁移经验者优先。 6、在具身智能、机器人学习或多模态领域顶级会议/期刊发表一作论文，或具有高质量开源项目、可验证的方法、系统或架构创新成果者优先；具备强烈探索欲、工程落地能力和团队协作能力。