Job Description

Agent Native多模态基座模型实习生北京、上海实习研发 - 算法职位描述1、参与面向物理世界 Agent 的多模态基座模型研发，覆盖视觉-语言-语音-动作相关表征的预训练、后训练与 Agentic Post-training，提升模型在感知、空间理解、规划、工具调用与行动闭环中的综合能力；
2、负责长序列与长时程任务建模，探索 context engineering、memory、tool use、planner-policy/world model 协同等核心问题，优化模型在复杂环境中的持续决策与自我修正能力；
3、构建面向物理世界 Agent 的训练数据与评测体系，围绕任务完成率、轨迹质量、空间 grounding、进度估计、错误恢复、安全性、时延与成本进行系统优化；
4、探索 Scaling Law 在 embodied / agentic 场景下的适用边界，支持下一代基座模型在架构设计、数据配比、后训练策略与推理系统上的技术决策；
5、与数据、infra、simulation、robotics 团队紧密协作，推动实验从 idea、训练、评测到集群与真实系统落地的全链路闭环。职位要求1、27届-28届毕业，计算机、人工智能、数学、机器人等相关专业，硕博优先；
2、具备扎实的深度学习基础，熟悉 Transformer、VLM/VLA/多模态 foundation model，有大模型预训练或后训练实战经验优先；
3、熟练掌握 PyTorch，具备大规模分布式训练与调试能力，熟悉 DeepSpeed、Megatron、ms-swift 等框架之一；
4、熟悉 Agent Native 相关方法与系统范式，包括但不限于：
* tool use / function calling / MCP 等工具接入机制；
* ReAct、planner-executor、orchestrator-worker、evaluator-optimizer 等 agent workflow；
* 长上下文建模、context engineering、外部记忆与 agent trace 利用；
5、具备 agent 数据构造与评测意识，能够围绕 offline benchmark、simulator-based eval、online closed-loop eval 设计指标并定位问题；
6、对物理 AI / embodied intelligence 有强烈兴趣，细读过相关代表性工作优先；
有以下经历加分：
* 物理世界 agent / VLA / world model 相关研究或项目经验；
* 大规模训练集群优化、推理系统优化经验；
* 机器人或仿真平台经验（如 Isaac、MuJoCo、ROS 等）。 投递