职位描述

我们关注的核心问题是：第一视角人类操作数据（Ego Data）能为真实机器人操作带来多大价值？实习生将围绕 Ego 数据预训练、迁移评测及 Agentic 具身智能开展研究与工程实
践，用严谨实验为数据与技术路线决策提供证据。
### 你将负责
可根据背景选择并主导其中一个方向：
- Ego→Robot 迁移验证：设计并执行 Ego 预训练、真机微调和混合训练实验，量化 Ego 数据对成功率、泛化能力和数据效率的提升。
- 模型与训练配方探索：比较不同 action policy 训练—微调策略和数据配比，沉淀可复现的最优训练 recipe。
- 评测与实验分析：搭建或完善成功率、OOD 泛化、跨任务迁移、数据等价效率等评测方法；以多随机种子和置信区间输出可信结论。
- Ego × Agentic 方向探索：研究如何将 Ego 数据、动作策略、任务规划、在线反馈和持续学习结合，使机器人不仅能从人类第一视角数据中获得先验，也能在执行中利用观察、反思
与交互持续改进。
- 前沿工作复现与原型验证：跟进 EgoMimic、EgoScale、EgoBridge、latent action、world model、VLA 和 agentic robotics 等方向，将论文观点转化为内部平台上的可验证假
设。
说明：数据采集、标注、质检及基础数据流水线由专门团队负责；本岗位重点是算法、训练、评测与研究判断，而非数据生产或动作表征工程。
### 我们希望你具备
- 计算机、机器人、自动化、AI 等相关专业本科高年级或硕博在读。
- 熟练使用 Python、PyTorch，能够独立完成训练、调试、实验管理与结果分析。
- 对具身智能、机器人学习、视觉语言动作模型、世界模型、模仿学习或视频理解至少一个方向有扎实基础。
- 具备严谨实验意识：理解对照实验、数据泄漏、随机种子、统计显著性及结果可复现性。
- 能阅读英文论文与开源代码，并将研究想法快速落地为可运行实验。
- 对“数据是否真的有价值”而不只是“模型能否跑通”抱有研究兴趣。
### 加分项
- 有 VLA、OpenVLA、π 系列、Diffusion Policy、世界模型、视频生成或机器人操作相关经验。
- 有 Agentic AI、智能体规划、工具调用、记忆、在线学习、自动评测或持续学习项目经验。
- 熟悉真实机器人实验、GPU 集群训练、分布式训练或大规模实验调度。
- 有高质量论文复现、开源项目、科研成果或可展示作品。
### 你会获得
- 参与 Ego 数据价值验证与后续规模化决策的核心研究，而非边缘支持工作。
- 接触真实机器人操作、Ego 预训练、VLA / world model 与 Agentic Robotics 的交叉问题。
- 在明确的实验目标下成长为可独立负责研究子方向的算法人才
承担主要目标/关键任务
关键任务：
- 设计并执行 Ego 数据预训练 → 真机微调 / 混合训练实验，与纯真机数据基线公平对照。
- 量化 Ego 数据价值：成功率提升、未见物体/任务泛化、跨任务迁移、单位 Ego 数据相当于多少真机示教等。
- 探索并筛选训练 recipe：数据配比、预训练与微调顺序、backbone、动作/视频监督方式，锁定可扩展的有效方案。
- 建立严谨评测机制：多随机种子、置信区间、固定数据划分、定期基准复测，确保结论可信且可归因。
- 复现和验证相关前沿方案，如 EgoMimic、EgoScale、EgoBridge、latent action、world model 和 VLA 方法，并结合自有机器人平台做本地验证。
- 探索 Ego × Agentic Robotics：将 Ego 先验与任务规划、世界模型、在线反馈、记忆/反思、持续学习结合，验证机器人是否能“看得懂、会执行、能复盘、可持续改进”。
- 输出结构化研究结论和路线建议：明确什么条件下应扩大 Ego 数据投入，什么情况下应转向真机数据或调整模型架构

职位要求

--