主分类：AI模型评测工程
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "具身大模型评测与数据工程师",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "TEG",
"location": "深圳",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "腾讯",
"company_industry": "互联网 / 科技 / 人工智能",
"company_size": "10000人以上",
"company_website": "tencent.com",
"company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 1,
"degree": "计算机、电子工程、自动化、机器人等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.评测体系搭建：构建覆盖感知、推理、操作、长时程任务的多层级仿真与真机评测体系，制定评测指标体系，主导自动评分与人评流水线的设计与落地，持续推动仿真-真机一致性验证；\r\n2.跨本体泛化评测：推动跨本体（单臂/双臂、移动操作、灵巧手等）泛化能力评测方案的设计与实施，建立可复用的评测基准与对标机制；\r\n3.数据采集策略：制定具身大模型预训练、后训练、RL 及评测全链路的数据采集方案，覆盖 ego-centric、UMI、遥操作等多模态数据源，确保数据的规模、质量与多样性；\r\n4.数据标注与治理：建立数据标注与清洗流程，涵盖任务与场景多样性标注、任务语义标注、位姿定位标注等，构建全生命周期的数据质量管控机制。",
"requirements_text": "1.计算机、电子工程、自动化、机器人等相关专业硕士及以上学历；\r\n2.熟悉评测方法学，了解评测指标设计、统计显著性分析、评分一致性校验等方法；具备数据生命周期管理经验，掌握数据采集、标注、清洗、质量评估的全流程方法论；\r\n3.熟练使用 Python / PyTorch，具备扎实的工程实现能力。",
"skills": [AI生成
"Python",
"PyTorch"
],
"preferred_qualifications": "1.有大模型或具身方向（LLM / VLM / World Model / VLA）评测或数据工程经验；\r\n2.有机器人、强化学习、模仿学习或具身智能方向顶会论文（CoRL、RSS、ICRA、IROS 等）或仿真/真机实操经验。",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers.tencent.com/jobdesc.html?postId=2059891450371555328"
}
]
},
"posting": {
"posting_id": "2059891450371555328",
"post_date": "2026-08-26",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers.tencent.com/jobdesc.html?postId=2059891450371555328"
},
"fulltext": "具身大模型评测与数据工程师\n渴望为世界带来新意的人，早已对描绘未来的“热词”不陌生——人工智能、机器学习、数据科学等等。腾讯始终在业界前沿不断探索，积极布局，并为优秀的你提供无限广阔的舞台。我们坚信科技的不断革新，最终能带来美好的、撼动人心的改变。\n1.评测体系搭建：构建覆盖感知、推理、操作、长时程任务的多层级仿真与真机评测体系，制定评测指标体系，主导自动评分与人评流水线的设计与落地，持续推动仿真-真机一致性验证；\r\n2.跨本体泛化评测：推动跨本体（单臂/双臂、移动操作、灵巧手等）泛化能力评测方案的设计与实施，建立可复用的评测基准与对标机制；\r\n3.数据采集策略：制定具身大模型预训练、后训练、RL 及评测全链路的数据采集方案，覆盖 ego-centric、UMI、遥操作等多模态数据源，确保数据的规模、质量与多样性；\r\n4.数据标注与治理：建立数据标注与清洗流程，涵盖任务与场景多样性标注、任务语义标注、位姿定位标注等，构建全生命周期的数据质量管控机制。\n1.计算机、电子工程、自动化、机器人等相关专业硕士及以上学历；\r\n2.熟悉评测方法学，了解评测指标设计、统计显著性分析、评分一致性校验等方法；具备数据生命周期管理经验，掌握数据采集、标注、清洗、质量评估的全流程方法论；\r\n3.熟练使用 Python / PyTorch，具备扎实的工程实现能力。\n1.有大模型或具身方向（LLM / VLM / World Model / VLA）评测或数据工程经验；\r\n2.有机器人、强化学习、模仿学习或具身智能方向顶会论文（CoRL、RSS、ICRA、IROS 等）或仿真/真机实操经验。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}