【岗位核心定位】 负责超级工厂“大脑-小脑”协同架构的研发，构建具身智能体在能源行业高危场景下的泛化能力，利用高精度物理评测场数据，实现模型从仿真到实体的闭环进化。 【核心工作职责】 1.大模型与VLA研发： 负责LLM和 VLA（视觉-语言-动作）模型的预训练、SFT（监督微调）与 RLHF（强化对齐）。针对复杂高危作业场景（如：电网带电操作、煤矿复杂地形），通过多模态数据增强提升模型的感知与决策准确性。 2.运动智能（小脑）训练： 负责机器人底层运控的强化学习（RL）算法研发，重点优化在非结构化场景下的全身运动协调（Whole-body Control）、强抗扰动能力与高频动态平衡。 3.Sim-to-Real 闭环进化： 建立基于物理引擎（Isaac Gym/MuJoCo）的高保真仿真环境，通过 Domain Randomization 与策略迁移，将仿真训练的智能策略高效迁移至物理实体机，并利用实机数据进行反向对齐。 4.评测与红队对抗建模： 参与构建行业的“具身模型安全防线”，设计并实施多模态对抗样本注入算法，评测机器人模型在诱导性指令、视觉干扰等边界条件下的“安全熔断”机制。 5.技术接口与技术支撑： 与“测试执行团队”紧密协作，将物理失效案例转化为算法迭代指标；为前端“智能体开发团队”提供高可用推理框架，提升边缘侧决策效率。

【任职要求】 1.学历与背景： 机器人、AI、自动化相关专业硕士及以上学历（今年应届毕业的硕博也可），在具身智能、自动驾驶或工业控制领域有实战经验的优先。 2.模型技术能力： 精通 PyTorch，熟练掌握 LLM/VLM 模型训练技术，对 Transformer 架构有深度工程化实践；有在国产算力（如昇腾/摩尔线程）上进行大模型并行训练经验者优先。 3.强化学习经验： 在 PPO、SAC、TD3 等常用 RL 算法上有深厚的调优实战记录；深刻理解奖励函数（Reward Engineering）设计对实体机器人行为的影响。 4.物理动力学认知： 具备深厚的机器人动力学底蕴，能理解刚体动力学、接触模型与摩擦力辨识，不依赖代码，对物理现象有敏锐的分析力。 5.工程闭环能力： 熟悉 ROS2 生态，能够编写高效、低延迟的算法模块；具备处理高频海量异构工业数据（如 IMU、力传感器、关节角度）的实战经验。 6.行业视野： 具有能源/矿山/电力等行业特种机器人落地经验者优先。 7.35岁以下，男性，可适应经常出差。BASE地为广州或北京（广州优先）