说不清条件?直接问一句 →(例:合肥的BMS要几年经验)
已筛选: 上海人工智能实验室 清除
大模型 强化学习 Python 算法与AI AI / 大模型
1.负责大模型在AI Coding场景下的强化学习(RL)算法研发与训练,探索并落地PPO、GRPO等主流算法,提升模型在复杂代码生成、长程规划与工具调用任务中的自主推理与执行能力; 2.参与构建端到端的Agentic RL训练链路,结合过程奖励机制(Process Reward)与Critic Model,优化Agent在真实环境中的行为引导、指令跟随与自我反思能力; 3.负责AI Coding相关高质量RL训练数据的挖掘、合成与评测体系设计,针对模型能力短板构建可验证的训练闭环,持续提升模型在前沿Benchmark及真实业务场景中的表现;…
岗位职责 1. 支持社招、校招全流程工作:职位发布、简历筛选、候选人沟通、面试安排与进度跟进; 2. 负责招聘渠道运营(BOSS直聘等),维护在招岗位信息,提升简历转化率; 3. 维护招聘数据台账,统计招聘漏斗数据(简历—筛选—面试—offer),输出周期性报表; 4. 协助人才库建设与候选人关系维护,提升候选人全流程体验。
1.负责下一代大模型基础架构研究,围绕 Attention、SSM、MoE、可寻址记忆、循环推理和动态计算等方向制定技术路线; 2.推进新架构的算法设计、原型实现、模型训练和规模化验证,研究相适配的优化器、训练稳定性及系统效率问题; 3.建设 AI Coding Agent 驱动的智能研发流程,支持模型模块、优化算法和高性能算子的自动生成、测试、评测与迭代; 4.将架构创新与安全场景结合,研究安全状态适配、记忆与路由安全,以及可审计、可回滚的长程智能体机制。
大模型 Python PyTorch 算法与AI AI / 大模型
1. 安全训练与自主进化机制,包括大模型后训练核心算法,包括 SFT、PPO、GRPO、DAPO 、OPD、SAO等主流强化学习方法; 2. 研究面向下一代大模型的内生安全架构,探索将安全能力原生融入模型参数、记忆、注意力、MoE 等核心结构,并支持大模型(含 MoE 架构)的基于算子开发的高效训练与调优,训练基础设施与最佳实践; 3. 结合团队具体任务场景,将模型架构与 RL 技术落地为可交付的模型能力,持续提升模型的安全性、推理与泛化能力; 4. 结合当前智能体上的安全场景,将harness与模型架构进行更深结合,形成具备自调整,自组织能力的内生安全人工智能系统
1.基地与网络建设:参与区域基地与合作网络建设方案编制、调研论证与项目申报,承担材料撰写、专家意见整理、评审组织与节点跟踪; 2.生态资源运营:对接政府、央企、高校院所、行业企业等外部资源,建设并运营分级分类资源库,挖掘并导入服务实验室战略目标的优质合作; 3.赛事与活动组织:参与实验室主办、承办、协办的高水平赛事与论坛策划执行,统筹日程、嘉宾、场地与传播,完成成果梳理与流程沉淀。
1)AI 驱动科学计算算法研究:面向流体、电磁等复杂工业场景,研究基于深度学习、大模型或神经算子的 PDE 建模与求解方法,探索 AI 对传统数值仿真方法的加速、替代或增强能力。 2)物理仿真与数据生成管线建设:对接传统仿真软件与开源科学计算工具,构建高质量仿真数据生成、处理、训练与验证流程,支持从物理建模、数值求解到模型训练的闭环。 3)工业场景算法落地验证:结合实际工业任务,参与算法原型开发、实验评测、指标分析和工程化验证,推动 AI4Science 算法在流体仿真、电磁仿真等产业场景中的应用。
1、协助专利挖掘、交底书整理、专利查新与 FTO 检索,跟进知识产权全流程管理、年费监控; 2、负责科研成果梳理建档,协助产学研对接、技术合同资料归集; 3、根据上级安排,做好项目档案、数据统计,支撑成果转让、许可等转化落地工作。
1、面向科学领域的论文、技术报告、专业文档、知识库等异构数据,参与领域任务轨迹、数据集及 Benchmark 的构建,建设可规模化的 Agent 训练环境与评测体系。 2、聚焦高价值科学领域,提升大模型的 Agentic 能力,使模型在高复杂度任务中的表现达到行业前沿水平。重点提升模型在科学领域长程任务、多工具调用、真实环境交互中的规划、执行与反思能力。 3、探索面向长程、多轮、稀疏奖励场景的后训练算法,系统性解决信用分配、训练稳定性、探索效率等核心问题。 4、探索“AI 加速 AI 研发”的新范式,让模型参与递归数据生成、模型后训练机制迭代等研发流程,形成可递归的能力增益回路。
职位描述 1.参与生命科学智能中心基因基座模型的研究与落地等工作,工作内容包括: 2.参与基因组/多组学大模型的预训练的算法研究,探索多模态对齐和生命科学大语言模型(DNA、RNA、单细胞)的训练。 3.参与多组学大模型的下游任务的应用研究,解决基因治疗、生物育种和合成生物学等重大科学问题。 4.致力于深入的多组学大模型算法创新,推动先进技术在产业的实际应用和转化。
1. 负责多模态与智能文档理解关键技术研究,面向科学文献、技术报告等复杂文档,提升文本、图像、表格、公式等内容的识别、结构化与语义理解能力。 2. 研究文档结构建模、图文语义对齐与跨页信息关联等方法,实现从元素解析到内容理解的能力提升,支撑高质量训练语料构建与科学信息检索。 3. 建设训练数据与评测体系,研究数据合成、质量筛选及自动化评估方法,系统评估解析准确性、结构完整性、语义一致性与下游应用效果。 4. 开展多模态模型训练、适配与推理优化,与工程团队协作推动研究成果在大规模文档处理中的落地,兼顾效果、效率与稳定性。…
1. 面向大模型 Agent 的训练与评测,负责任务、环境及交互数据的关键技术研究,推动研究原型向可规模化交付的能力转化。 2. 研究任务生成、环境自动构建与验证方法,建设可执行、可复现、可验证的任务环境,提升生产效率、质量与复用性。 3. 建设任务与环境评测体系,研究难度分级、结果校验、奖励设计及评测可靠性,形成高质量基准与自动化验证流程。 4. 与模型团队协作开展轨迹采集、数据合成及后训练实验,验证任务、环境和数据对 Agent 能力的实际贡献。 5. 独立牵引方向内的研发项目,承担需求评估、技术路线设计与交付推进,指导工程师及合作学生,参与骨干培养与团队建设。
工作方向:大模型安全 / 基础模型 / 自主进化 / 因果推理 / 强化学习 我们正在探索下一代人工智能安全范式——内生安全(Safety from Within)。 不同于依赖外挂护栏、规则过滤和事后检测的传统安全方案,我们希望从模型架构、训练机制、推理过程和自主进化机制出发,让安全能力真正成为模型自身能力的一部分,使模型在能力持续增强的同时,具备风险识别、安全推理、自我修复和安全演化能力。 我们希望寻找对大模型基础研究和 AI Safety 有强烈兴趣的优秀应届生,一起探索“如何让模型越强,也越安全”。…
Python PyTorch 深度学习 算法与AI AI / 大模型
1、负责面向脑机接口的脑信号基础模型研发,探索脑活动时空信号的深度表征学习,构建可迁移、可扩展的模型架构。 2、研究基于大规模脑信号数据的自监督学习与预训练方法,提升模型在跨被试、跨数据集及不同任务场景下的泛化能力。 3、探索脑信号表征与视觉、音频、语言等模态的对齐及融合,结合多模态基础模型,支持脑信号解码、感知内容重建与语义理解等任务。 4、参与脑信号数据处理与训练数据体系建设,包括数据质量控制、预处理、标准化及训练评测流程搭建,支撑模型持续迭代。
Python PyTorch 深度学习 算法与AI AI / 大模型
1、负责时间序列基础模型的研发,探索面向复杂时序数据的统一表征学习与大规模预训练方法,构建可迁移、可扩展的通用时序建模架构。 2、研究基于大规模时序数据的自监督学习、生成式预训练及预测基础模型方法,提升模型在长周期预测、异常检测、缺失补全、趋势分析等任务中的泛化能力。 3、研究时间序列与文本、视觉等多模态信息的交互与对齐,支持时序语义理解、生成、推理及复杂场景下的多模态智能应用。
1. 参与WAM/VLA的后训练与评测工作; 2. 参与RL在WAM/VLA/具身智能体等方向的研究,协助团队完成模型强化学习微调的工具链建设与评测工具开发; 3. 或参与 Real2Sim2Real 方向研究,液体、柔体等物理仿真建模以及触觉仿真,协助推进结合传统仿真和生成式仿真的数据合成,推动合成数据价值探索与应用落地。
大模型 强化学习 Python 算法与AI AI / 大模型
1. 探索 AI 驱动的自主物质科学发现闭环,构建大模型驱动的材料发现与优化决策自进化智能体,推动通用材料研发 AI 新范式; 2. 负责科学场景下 Agent 系统的设计与落地,包括任务规划、工具调用、多轮交互、记忆机制与执行轨迹管理,打通从假设生成到实验验证的完整链路; 3. 主导大模型后训练工作,围绕材料科学垂域开展数据构建、SFT、偏好优化与强化学习训练,持续提升模型在专业任务上的表现; 4. 构建 Agent Harness 与评测体系,搭建实验环境、轨迹采集与自动化评测框架,支撑 Agent 能力的持续迭代与自进化;…
C++ Python Linux 机械与电气 AI / 大模型
面向具身智能与数字孪生应用,参与仿真引擎及 Code World Model(CWM)平台研发,探索通过 AI Agent 自动构建、运行、评估和优化可交互的数字世界。 岗位职责 1、仿真引擎研发与集成:参与物理、图形及机器人仿真引擎的功能开发、接口封装与性能优化,支持场景加载、物理交互、传感器模拟和状态采集。 2、CWM Agent 研发:结合大模型、Skills 和工具调用,开发场景描述、参数配置与仿真脚本生成能力,打通“生成—执行—评估—迭代”的工作流程,沉淀可复用的代码、配置和经验。 3、可交互仿真环境开发:面向机器人操作等任务,实现环境初始化、复位、动作控制、观测输出和任务评价,支…
1. 负责资讯感知平台的需求梳理、产品设计、功能优化、测试验收及用户反馈跟进,持续提升产品能力与使用效果; 2. 参与外部合作伙伴对接,结合不同伙伴的应用场景与反馈挖掘需求,识别共性与个性需求,判断产品化价值并推动产品迭代; 3. 协同技术团队研究并推动打通信源挖掘、信源配置、信源爬取、资讯分析与信息提取、摘要生成等全流程,形成可供模型及相关应用调用的标准化、可复用资讯处理服务; 4. 按需跟进外部数据合作项目,负责需求、计划、问题清单及交付材料的管理,推动从数据收储到成果转化的各环节落地,沉淀可复制的合作经验,打造标杆性合作案例。
面向新一代大模型的预训练与持续预训练,负责高质量语料的研究与建设,覆盖网页、代码、论文、书籍及专业领域文档等多源数据。围绕模型的知识、代码、数学推理与科学理解等能力,带领团队建立从数据源发现、质量治理到训练验证的完整闭环,以可验证的模型能力提升驱动数据迭代。 岗位职责: 1. 高价值数据源识别与挖掘。 从模型能力需求和数据缺口出发,系统发现互联网、开源社区、学术资源及专业领域数据源;评估其内容价值、独特性、覆盖度、时效性、获取成本与授权条件,制定数据引入优先级和持续拓展策略。 2. 数据质量体系建设。 建立通用与领域专项相结合的质量分类、分级和验收标准,覆盖信息密度、准确性、完整性、多样性、…
Python Linux Git 算法与AI AI / 大模型
1. 构建可执行、可检验的任务。 面向大模型Agent的训练与评测,将代码开发、办公协作、科学计算、安全等场景中的能力需求转化为具体任务,明确任务目标、初始状态、可用工具、资源约束、交付物及成功与失败判定标准。 2. 开发与部署任务环境。 完成代码仓库及版本准备、依赖安装、数据与模型资产配置、工具和API接入等工作,建设可复现、可重置、可隔离运行的容器或沙箱环境。 3. 实现自动化验收。 开发单元测试、集成测试、状态检查和结果校验模块,为训练与评测提供可靠的评分与反馈,降低误判、数据泄漏及绕过验收规则的风险。 4. 建设批量生产与运行管线。…
1. 研发面向数据处理的Agent,实现需求理解、任务规划、工具选择与流程编排,将复杂需求转化为可执行工作流。 2. 建设生产工具的标准化接入、能力描述和调用机制,支持Agent可靠使用已有数据处理与计算服务。 3. 研发执行监督、异常诊断和动态调整模块,使Agent能够根据运行状态与数据质量反馈优化工具选择、参数和流程。 4. 建设Agent评测与回归测试体系,围绕任务完成率、数据质量、执行成本和人工介入率评估效果,持续提升端到端自主完成任务的能力。
1.负责sciverse科学数据平台知识图谱构建,统筹实验数据、谱学数据、文献数据、理论计算数据等多源数据的建模与治理; 2.开发Agent友好的千亿级、毫秒级响应的科学知识图谱API。将图书、高质量网站数据、论文、期刊、专利等数据图谱化,对外服务。 3.负责知识库、知识图谱、向量检索、样品/材料资产库及协议模板库的设计开发,支撑科研知识发现与智能检索; 4.负责数据标准、实体关系、领域本体、标签体系和接口规范建设,提升跨实验室、跨系统数据互操作能力; 5.负责数据库性能优化、数据安全与权限管理,完成领导交办的其他工作。
1. 负责多模态与智能文档理解关键技术研究,面向科学文献、技术报告等复杂文档,提升文本、图像、表格、公式等内容的识别、结构化与语义理解能力。 2. 研究文档结构建模、图文语义对齐与跨页信息关联等方法,实现从元素解析到内容理解的能力提升,支撑高质量训练语料构建与科学信息检索。 3. 建设训练数据与评测体系,研究数据合成、质量筛选及自动化评估方法,系统评估解析准确性、结构完整性、语义一致性与下游应用效果。 4. 开展多模态模型训练、适配与推理优化,与工程团队协作推动研究成果在大规模文档处理中的落地,兼顾效果、效率与稳定性。…
1. 负责模型训练推理场景下框架与算子的性能优化。 2. 使用性能分析工具进行性能分析,定位计算、访存、通信瓶颈,优化吞吐、时延和显存占用等指标。 3. 将 AI 能力嵌入模型训练推理优化全流程,建设从需求拆解到自动优化的协同工作流,持续提升开发效率。
Python C++ 深度学习 研发(未细分) AI / 大模型
1.负责AI上层应用的架构设计、开发与维护,涵盖智能体、评测系统等方向; 2.深入理解业务需求,结合深度学习模型,设计高性能、可扩展的AI应用解决方案; 3.熟悉AI模型训练、微调、推理全流程,能够独立完成模型部署与性能优化; 4.与算法、数据、产品团队紧密协作,推动AI能力的工程化落地; 5.跟踪前沿AI技术动态,持续优化系统架构。
1.平台核心功能设计与迭代:负责 MaaS 推理服务平台的产品规划与全生命周期管理,涵盖模型接入、高并发在线推理、API 网关治理、批处理推理、自动化部署运维及计费计量等核心模块。 2.性能、成本与体验打磨:深度理解大模型推理关键性能指标(TTFT、TPS、吞吐量、并发度、长上下文延时等),配合底层系统与算法团队,围绕推理加速、显存/算力利用率提升与成本优化,设计面向开发者与企业的高可用、低延时服务体系。 3.开发者体验与开放生态建设:负责模型 API 标准化接口设计(如兼容主流规范)、SDK 及开发者控制台(Web UI)的产品规划;…
Python C++ 深度学习 算法与AI AI / 大模型
1.负责大模型训练或推理系统中具体功能模块的研发、性能优化与日常维护,方向涵盖并行与通信、显存管理、计算调度、算子优化等,确保模块在大规模 GPU 集群与高并发低延迟场景下稳定高效。 2.深入理解所负责方向的核心优化技术,训练方向聚焦并行策略、混合精度、计算与通信协同,推理方向聚焦请求调度、显存复用、算子与 Kernel 优化,在资深工程师指导下将技术方案落地为高质量代码。 3.承担所负责模块的性能分析与问题定位工作,针对算力利用率、显存、通信、延迟等瓶颈进行系统性调优。 4.参与模块的技术方案设计、代码评审与文档撰写,保证代码的可维护性与可扩展性。…
带领或联合指导博士生/实习生,结合实验室主线任务需求和系统领域前沿探索,在大模型训推系统、Agent Infra等方向开展研究,制定技术路线并推进落地,现有方向包括: 1.分布式训推架构:深入攻坚训推系统的性能瓶颈,在MoE模型、稀疏注意力、长程任务容灾能力、计算-通信重叠、访存效率、Agentic Reasoning 推理加速等方向上进行深度优化; 2.负责或参与智能体强化学习(Agentic RL)训练框架及运行时系统的研发,以及智能体训练、推理平台与分布式存储等系统的建设; 3.面向超节点的下一代训推框架研发:结合超节点高带宽域等新硬件特性,研发下一代硬件原生的机器学习基建;…
1.参与 AI 算力云原生平台整体架构设计与核心模块研发,负责训练调度、资源管理、任务运行时等关键子系统的设计与实现,支撑万卡级 GPU/NPU 集群稳定运行与资源利用效率持续优化; 2.深度参与 Kubernetes 调度器及资源管理体系的定制化开发,建设面向 AI 训练与推理场景的优先级调度、资源抢占、Gang 调度、拓扑感知、弹性伸缩等能力,满足大规模分布式训练及在线推理需求; 3.参与 Agent 沙盒平台架构设计与核心能力建设,面向 AI Agent、代码执行及科研计算等场景,建设高并发、强隔离、弹性化的 Sandbox Runtime,负责沙盒生命周期管理、资源调度、镜像与环境管…
C++ Python 大模型 研发(未细分) AI / 大模型
1.推理服务后端架构研发:负责AI推理服务的后端架构设计与开发,实现模型加载、请求调度、批处理推理、动态路由、流量管控、超时重试等核心能力,搭建标准化、可复用的推理服务底座。 2.推理性能专项优化:针对大模型推理的吞吐、延时、显存占用、推理速度等核心指标分析推理链路瓶颈(Gateway/Scheduler/Runtime/GPU)进行专项优化,结合业务场景优化KV缓存、动态批处理、模型量化、推理并行策略,提升单机及集群推理并发能力,降低推理部署成本。 3.云原生推理服务化落地:将优化后的推理引擎封装为标准化云原生服务,对接K8s集群,实现推理服务的容器化部署、弹性扩缩容、灰度发布、资源管控,…
Python C++ PyTorch 研发(未细分) AI / 大模型
1. 超智融合计算系统的方案设计、开发与维护; 2. 算法/模型-系统-算子的全链路优化; 3. 超智融合业务对接支撑; 4. AGI4S技术前沿跟踪,超智融合计算系统的软硬件协同设计。
1.面向科学发现场景,开展下一代智能体框架设计与关键技术研发,探索复杂科研2.任务中的自主规划、执行与优化机制。 3.攻关长周期自主运行、长期记忆与知识积累、自主演化与持续优化等关键技术,4.提升智能体的持续学习与任务执行能力。 5.研究多智能体协同探索、多模型动态路由及成本管控机制,提升复杂任务中的协作效率、模型利用效率与系统整体性能。 6.负责相关算法与系统的方案设计、实验验证和原型实现,推动智能体技术在 AI for Science 等场景中的落地验证。
1. 以构建科学智能体为目标,研发科学领域工具、skill、环境及相关迭代进化的算法任务 2. 与领域专家合作设计研发相关领域智能体、科研工具等
大模型 强化学习 Python 算法与AI AI / 大模型
1. 硕士及以上学历,计算机、人工智能、软件工程、数学、自动化等相关专业优先。 2. 编程基础扎实,熟练使用 Python,熟悉 PyTorch / Transformers 等大模型训练框架。 3. 熟悉大模型基本原理,对 SFT、RLHF、DPO、PPO、GRPO 等后训练方法有较好的理解;有实际训练经验者优先。 4. 对大模型后训练、Agent RL、Reasoning、Coding Agent、Self-Improvement 等方向有较强兴趣。 5. 具备较强的实验能力,能够独立完成实验设计、训练调参、结果分析和问题定位。
Python PyTorch 深度学习 算法与AI AI / 大模型
构建面向未来科学研究与科学发现的科学通用智能体,聚焦科学推理、科学研究与科学发现,研究大模型如何理解复杂科学问题、执行长程科研任务,并进一步形成可验证的新假设与新知识,推动智能体从“解决已知问题”走向“自主研究与原创发现”。
1. 面向科学领域的论文、技术报告、专业文档、知识库等异构数据,参与领域任务轨迹、数据集及 Benchmark 的构建,建设可规模化的 Agent 训练环境与评测体系。 2. 聚焦高价值科学领域,提升大模型的 Agentic 能力,使模型在高复杂度任务中的表现达到行业前沿水平。重点提升模型在科学领域长程任务、多工具调用、真实环境交互中的规划、执行与反思能力。 3. 探索面向长程、多轮、稀疏奖励场景的后训练算法,系统性研究并解决信用分配、训练稳定性、探索效率等核心问题,形成可复用的方法论与训练策略。 4. 探索“AI 加速 AI 研发”的新范式,让模型参与递归数据生成、模型后训练机制迭代等研发…
深度学习 强化学习 PyTorch 算法与AI AI / 大模型
1. 负责大模型智能体的强化学习训练,提升任务规划、工具调用、多轮交互与长程任务执行能力。 2. 负责Agentic RL在超级长程Agent场景的训练,参与Agentic RL Infra建设及优化、Agentic RL 算法优化,持续提升Agentic RL训练的效率和稳定性。 3. 设计和优化奖励机制与策略更新方法,解决稀疏奖励、长程信用分配、奖励投机等训练问题。 4. 建设高质量交互轨迹与训练数据,优化采样、筛选和任务难度分布,提升样本效率与泛化能力。 5. 完善训练流程,协同基础设施团队优化分布式训练与推理采样,提升训练稳定性和资源利用率。
1.负责智能体训练与评测环境开发,支持复杂科学软件操作、7*24小时自助任务运行、代码执行、浏览器操作、工具调用及业务流程等任务场景。 2.将真实任务转化为可执行、可验证的训练任务,定义初始状态、交互接口、任务目标和执行约束。 3.开发任务判分与奖励反馈模块,确保评测准确、可追溯,识别并修复判分漏洞及任务信息泄漏。 4.建设环境隔离、初始化、重置、快照与轨迹回放能力,保障任务执行安全和实验可复现。 5.完善环境调度、并发执行、日志监控与故障恢复机制,支持大规模训练采样,提升吞吐量和稳定性。 6.与合版团队协作,分析失败轨迹与环境问题,持续扩展任务覆盖、难度层次和环境真实性。
1.参与公司自研或开源超长程智能体轨迹构建/Agent框架的设计、开发与迭代,优化其代码理解、工具调用、多轮交互、记忆管理及任务规划等核心能力 2.评测体系与基准构建:面向主流Code Agent(如 Claude Code、Codex、Opencode等)及自研框架,设计并执行系统化评测,构建覆盖真实开发任务、长程多轮交互、完整工具链(构建/测试/部署)的基准测试集。 3.仓库级代码理解:研究长上下文代码建模、多文件关联理解、依赖关系分析、调用链追踪、代码结构建模与仓库级知识记忆,提升模型对复杂代码库的理解和修改能力;…
强化学习 大模型 Python 算法与AI AI / 大模型
1. 硕士及以上学历,计算机、人工智能、软件工程、数学、自动化等相关专业优先。 2. 编程基础扎实,熟练使用 Python,熟悉 PyTorch / Transformers 等大模型训练框架。 3. 熟悉大模型基本原理,对 SFT、RLHF、DPO、PPO、GRPO 等后训练方法有较好的理解;有实际训练经验者优先。 4. 对大模型后训练、Agent RL、Reasoning、Coding Agent、Self-Improvement 等方向有较强兴趣。 5. 具备较强的实验能力,能够独立完成实验设计、训练调参、结果分析和问题定位。
Python C++ Linux 算法与AI AI / 大模型
1.核心硬件研发:面向科学实验场景,研发低侵入式多模态数采套件与多功能末端执行器,负责从系统架构设计到嵌入式软硬件落地的全流程开发与敏捷迭代。 2.跨平台系统集成:负责多形态具身本体(含≥3种机械臂及外部设备)的选型、深度适配与系统集成,构建支持跨发现实验室分布式部署的具身智能硬件基础设施。 3.评测体系建设:搭建并优化真机部署与自动评测平台,实现从任务配置、多模态数据高精采集到模型端到端评测的一体化软硬件环境闭环。 4.全链路攻坚与对齐:攻坚并打通“硬件数采—数据处理—模型训练—真机部署”的全链路验证,保障高精度实验操作(固/液相夹持操作,末端执行精度 <0.1 cm,对齐回放精度 <1.…
计算机视觉 机器学习 强化学习 算法与AI AI / 大模型
1.面向机器人物理智能与操作智能,开展灵巧操作、精细操控、物理交互等方向的前沿算法研究,探索机器人在真实物理世界中的自主操作能力。 2.研究基于视觉、触觉、力觉、本体感知等多模态信息的操作感知与决策方法,构建统一的多模态操作智能模型。 3.研究机器人操作基础模型、世界模型、行为生成模型及其训练方法,探索从大规模人类数据、机器人数据和仿真数据中学习通用操作能力。 4.针对抓取、移液、装配、工具使用、柔性物体操作等复杂任务,研究物体状态建模、动作生成、接触交互建模以及长时序任务执行方法。 5.研究真实世界物理反馈驱动的闭环学习机制,探索仿真—真实迁移、数据自动生成、强化学习及在线自适应等技术,提…
1. 参与液体、柔体等复杂物理仿真建模及触觉等多模态仿真方向的研究与应用,探索其与 VLA/WAM 等具身智能模型的结合应用; 2. 参与 Real2Sim2Real 方向研究与工具链建设,研究面向具身智能的可交互场景生成与重建技术,构建从真实场景建模、仿真交互到真机验证的 Sim2Real 闭环; 3. 研究融合传统物理仿真与生成式仿真的数据合成方法,构建丰富、多样且可控的机器人训练与评测数据,推动合成数据价值挖掘与实际应用落地。
1. WAM/VLA的后训练与评测; 2. 参与WAM/VLA/具身智能体的强化学习微调等方向的研究; 3. 协助推进结合传统仿真和生成式仿真的数据合成,推动合成数据价值探索与应用落地; 4. 协助团队完成模型强化学习微调的工具链建设与评测工具开发。
强化学习 Python C++ 算法与AI AI / 大模型
1.研发机械臂及移动操作机器人的操作与运动控制算法,实现复杂环境下的精准作业。 2. 开展抓取、装配、仪器操作等任务的轨迹规划、力位控制研究。 3.推进模仿学习、强化学习及视觉—语言—动作模型与经典控制方法的融合。
强化学习 Python C++ 算法与AI AI / 大模型
1.研发轮式、足式、无人机等异构智能体的自主导航与运动控制算法,实现复杂环境下的稳定运行。 2.开展多模态感知、定位建图、路径规划、动态避障与闭环控制研究。 3.探索视觉语言导航、世界模型及学习型规划控制方法,提升跨场景、跨任务与跨本体泛化能力。
Python PyTorch 深度学习 算法与AI AI / 大模型
1.负责操作基座模型的工程化研发与迭代,完成模型架构与训练策略的工程实现及性能优化 2.跟进最新操作算法动态,快速复现 SOTA 工作并完成工程化落地与验证 3.构建与维护大规模异构操作数据的处理 pipeline,包括多源数据对齐、信号质量过滤、运动学一致性校验、跨模态(视觉-语言-动作)一致性检查等 4.搭建真机遥操作数据采集与部署系统,负责真机与仿真环境下的模型评测、问题定位与调优 5.优化模型推理与实时控制链路,关注端到端延迟与部署效率
1.面向物理世界理解、预测与交互,开展物理世界模型的前沿算法研究,探索能够支撑具身智能体自主决策、行动与持续学习的模型架构和学习方法。 2.研究融合视觉、语言、空间几何、机器人状态及动作等信息的统一表征,探索多模态理解、未来预测与行为生成的协同建模机制。 3.研究视频、三维/四维及潜在空间中的世界建模方法,提升模型对物体运动、空间关系、接触交互及环境状态演化的预测能力,增强时空一致性与物理合理性。 4.研究动作条件世界模型及其与机器人行为模型的融合方法,探索基于未来预测、想象推演和交互反馈的动作生成、任务规划与闭环控制。…
1.面向物理世界模型的研发与应用,负责核心算法的实现、优化和系统集成,参与多模态理解、未来预测及行为生成模型的开发与迭代。 2.建设人类视频、机器人及仿真数据的处理流程,完成数据清洗、质量筛选、时序同步、多视角处理、动作与状态对齐及跨本体适配,支撑大规模多源数据训练。 3.开发和维护模型预训练、后训练及评测流程,实现分布式训练、实验管理、训练监控和故障恢复,提升训练效率、稳定性与实验可复现性。 4.围绕模型效果与计算成本开展算法优化,参与模型结构改进、训练策略调整及数据配比实验,推动高效注意力、模型蒸馏、量化和推理加速等技术落地。…
Python PyTorch 分布式 算法与AI AI / 大模型
面向灵巧手与人形机器人研发全身操作基础模型,主导从多本体数据、模型训练到真机部署的完整研究链路,构建具备长程任务执行与自主恢复能力的全身自主操作系统,产出高水平论文、开源模型与标杆真机 demo。 1. 主导 VLA/WAM 的模型设计与预训练、后训练,融合双臂灵巧操作与全身移动操作能力,提升策略在复杂接触与长程任务中的泛化能力。 2. 研究世界状态预测与动作生成的联合建模,探索跨本体动作表示与策略适配,促进不同灵巧手及人形机器人平台之间的操作知识共享。 3. 建设多源操作数据闭环,整合人类第一视角视频、遥操作与多本体真机/仿真数据,优化数据质量与训练配比,支撑模型训练和持续迭代。…