1、设计视觉-语言-物理属性的统一嵌入空间，支撑JEPA架构中的跨模态预测（如从视觉图像预测物理质量、摩擦力、弹性系数）。 2、开发基于3D Gaussian Splatting / NeRF的高效场景表征模块，支持世界模型对三维空间的实时理解与预测。 3、构建物理世界的多模态数据集（视觉+语言+物理参数+抽象概念），设计自动标注、半监督学习与数据增强管道。 4、优化视觉-语言模型（VLM）与视觉-语言-动作模型（VLA）在物理场景中的表征对齐，确保感知输出与世界模型预测空间一致。 5、开发数据飞轮系统：从仿真环境与公开数据集持续采集、清洗、标注并回流至训练管道。 6、建立“感知→表征→预测”的一致性评估指标，量化多模态嵌入空间对世界模型预测精度的贡献。

1、硕士及以上学位，计算机视觉、多模态学习、表征学习或认知科学方向。 2、精通CLIP/LLaVA/SigLIP等视觉-语言模型，熟悉多模态Transformer架构。 3、熟悉3D视觉：NeRF、3D Gaussian Splatting、点云Transformer、PyTorch3D。 4、有大规模数据集构建经验，熟悉数据管道技术（WebDataset/Apache Beam/FiftyOne）。 5、理解表征学习的核心问题：解耦、组合性、因果性。 6、有将感知模块与世界模型/强化学习系统集成的实际经验。 7、优先条件： 1）有VLA模型或世界模型驱动感知项目经验。 2）熟悉多模态大模型微调与对齐技术（LoRA/QLoRA/RLHF/DPO）。 3）有构建物理场景理解数据集（如CLEVR、PhyRe、IntPhys）的经验。