1、负责物理AI基础大模型训练数据的全链路建设，覆盖采集 → 清洗 → 自动标注 → 配方 → 合成增强 → 闭环反哺的完整流程，支撑统一架构下多任务（理解、生成、策略、动力学预测）的训练需求 2、跨域数据融合：处理自动驾驶、Egocentric、互联网视频、机器人轨迹、LLM 语料等多源异构数据的对齐、配比与质量控制，设计可量化的数据配方（data recipe） 3、Auto-labeling 体系建设：基于 VLM / LLM 构建大规模自动化标注 pipeline，覆盖语义 caption、空间结构、物体属性、动作 CoT、因果推理标注等任务 4、合成数据生成（SDG）：基于物理仿真和生成式模型构建合成数据集（PhysSim、RobotSim 等方向），扩展长尾场景与多 embodiment 覆盖 5、质量评估与数据-模型闭环：构建可量化、可闭环的数据准入标准（忠实性、完整性、正确性等），基于下游模型表现反向挖掘失败模式、定位数据缺陷、闭环补充新数据 6、数据基础设施：参与大规模多模态数据 pipeline 的设计与优化，包括 embedding 存储与语义检索、可视化与调试工具、多分辨率/多帧率数据加载器、token packing 等

任职要求： 1、计算机、人工智能、机器人或相关专业，硕士及以上学历 2、精通 Python，熟悉 PyTorch，有大规模分布式数据处理经验（Spark / Ray / 自研 pipeline 均可） 3、熟练掌握 VLM / LLM / Open-Vocabulary 检测等模型的实际应用，能用大模型驱动大规模自动化标注 4、熟悉主流具身数据集（Open X-Embodiment、AgiBot World、RoboMIND、Ego4D、Ego-Exo4D 等）的结构、格式与适配方法 5、对 3D 视觉、6D 位姿、场景图、轨迹数据等具身相关的数据形态有理解，对时序对齐、传感器漂移、标注噪声敏感 6、具备处理 PB 级数据的工程经验，理解数据吞吐、IO 瓶颈、对象存储（MinIO / S3 等） 加分项： 1、有自动驾驶或大模型团队的多模态数据闭环 / 数据平台经验 2、有合成数据生成（NeRF / 3DGS / Diffusion 视频生成等）的实战经验 3、有 VLM 自动标注 pipeline 的工程落地经验 4、熟悉 MLOps 工具链、数据版本管理、实验追踪 5、在数据相关方向（数据集构建、benchmark 设计、数据 scaling law 等）有顶会论文或开源贡献