主分类：机器人与自动驾驶算法研发
辅助：大模型与生成式算法研发（仅展示）
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": "高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "高德",
"company_industry": "数字地图 / 导航服务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "高德提供电子地图和导航服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "学历与专业背景：硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "高德地图视觉技术中心（AMAP CV Lab）\n高德地图日均服务数亿用户，每日处理超百亿级位置与视觉数据。视觉技术中心是高德的核心技术引擎，视觉技术中心是高德的核心技术引擎，深耕空间智能、具身智能、世界模型等AGI前沿方向。我们的核心使命：以空间智能为锚点，打造物理世界的智能体操作系统 ABot。我们不做“刷榜模型”，而是打造能在开放世界中自主决策、安全执行、持续进化的智能体系统。你的研究，将直接改变数亿人的出行方式。\nGitHub 主页：https://github.com/amap-cvlab\n我们的优势：独一无二的“空间智能-场景-生态”三角\n● 空间智能深度：全栈覆盖三维重建、世界模型、多模态、具身导航、LLM/VLM/VLA/AI Agent，所有技术都服务于“让AI理解并作用于物理空间”。\n● 场景广度：亿级用户真实验证，从封闭测试到开放街道，技术必须经得起现实世界的“毒打”，空间智能不能只存在于实验室。\n● 生态高度：清华大学、北京大学、港科、中科院等深度合作，主导开源标准，你不是孤军奋战，而是站在全球空间智能研究的前沿。\n岗位职责：\n具身基座模型 (Embodied Foundation Models)： 研发下一代VLA/WAM大模型，突破多模态指令到精准动作映射的瓶颈，实现跨场景的零样本迁移能力；\n世界模型 (World Models)： 构建基于大规模视频生成的物理世界模拟器，利用生成式AI预测场景演化，为具身智能提供无限的训练“想象空间”；\n大模型后训练与强化学习 ： 探索GRPO、PPO、SAC等算法在多模态大模型、具身控制上的应用，通过大规模强化学习提升Agent在复杂时空环境下的决策边界；\n大规模数据合成与闭环： 利用高德独有的时空数据优势，构建自动化的具身数据生产、评测管线，解决Scaling Law在具身领域的落地难题；\n开源影响力与行业基准： 主导或深度参与具身智能开源项目建设。 我们鼓励将核心算法框架、高质量具身数据集或评估基准贡献给开源社区，打造具有行业号召力的开源作品，定义下一代具身智能的技术标准。",
"requirements_text": "学历与专业背景：硕士及以上学历。\n项目经历（满足其一）：\n•主导过 VLA/VLM/WAM 至少一个方向从 0 到 1 的模型研发，并完成千卡级以上预训练 + 端到端落地\n•主导过世界模型 / 世界动作模型 / 视频生成方向有显著影响力的项目（开源数据集、可复现 Benchmark、顶会 oral/spotlight）\n•主导过大规模 RL 训练（PPO/GRPO/SAC），完成 Sim-to-Real 闭环验证或真机部署\n专业技能：\n•L3 级具身智能算法能力：能独立设计 VLA / WAM 架构，主导预训练数据配比、后训练 RL 策略与 Reward Model 设计\n•训练工程能力：熟练使用 Megatron / DeepSpeed / FSDP，具备分布式训练性能调优与故障自恢复能力\n•数据闭环设计能力：能基于高德时空数据资源设计自动化具身数据生产、清洗与评测管线，解决具身领域 Scaling Law 落地难题\n•跨模态系统认知：理解从感知—世界模型—决策—动作的完整闭环，能识别瓶颈环节并定位优化路径\n要求：\n•AI Native 思维：对 Scaling Law 有信仰，能把工程实践与前沿研究有机结合\n•无人区作战能力：敢于在缺乏成熟方案的方向独立推进算法实验，具备极客精神与战略定力\n•开源影响力意识：能把工作沉淀为可被行业采纳的标准、数据集或 Benchmark\n•跨团队协同力：能与产品、地图、自动驾驶、基础架构等多方深度协作，把模型推向真实业务",
"skills": [AI生成
"性能调优"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.amap.com/off-campus/position-detail?positionId=100011680035"
}
]
},
"posting": {
"posting_id": "100011680035",
"post_date": "2026-09-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.amap.com/off-campus/position-detail?positionId=100011680035"
},
"fulltext": "高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心\n高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京\n\n职位描述\n高德地图视觉技术中心（AMAP CV Lab）\n高德地图日均服务数亿用户，每日处理超百亿级位置与视觉数据。视觉技术中心是高德的核心技术引擎，视觉技术中心是高德的核心技术引擎，深耕空间智能、具身智能、世界模型等AGI前沿方向。我们的核心使命：以空间智能为锚点，打造物理世界的智能体操作系统 ABot。我们不做“刷榜模型”，而是打造能在开放世界中自主决策、安全执行、持续进化的智能体系统。你的研究，将直接改变数亿人的出行方式。\nGitHub 主页：https://github.com/amap-cvlab\n我们的优势：独一无二的“空间智能-场景-生态”三角\n● 空间智能深度：全栈覆盖三维重建、世界模型、多模态、具身导航、LLM/VLM/VLA/AI Agent，所有技术都服务于“让AI理解并作用于物理空间”。\n● 场景广度：亿级用户真实验证，从封闭测试到开放街道，技术必须经得起现实世界的“毒打”，空间智能不能只存在于实验室。\n● 生态高度：清华大学、北京大学、港科、中科院等深度合作，主导开源标准，你不是孤军奋战，而是站在全球空间智能研究的前沿。\n岗位职责：\n具身基座模型 (Embodied Foundation Models)： 研发下一代VLA/WAM大模型，突破多模态指令到精准动作映射的瓶颈，实现跨场景的零样本迁移能力；\n世界模型 (World Models)： 构建基于大规模视频生成的物理世界模拟器，利用生成式AI预测场景演化，为具身智能提供无限的训练“想象空间”；\n大模型后训练与强化学习 ： 探索GRPO、PPO、SAC等算法在多模态大模型、具身控制上的应用，通过大规模强化学习提升Agent在复杂时空环境下的决策边界；\n大规模数据合成与闭环： 利用高德独有的时空数据优势，构建自动化的具身数据生产、评测管线，解决Scaling Law在具身领域的落地难题；\n开源影响力与行业基准： 主导或深度参与具身智能开源项目建设。 我们鼓励将核心算法框架、高质量具身数据集或评估基准贡献给开源社区，打造具有行业号召力的开源作品，定义下一代具身智能的技术标准。\n\n职位要求\n学历与专业背景：硕士及以上学历。\n项目经历（满足其一）：\n•主导过 VLA/VLM/WAM 至少一个方向从 0 到 1 的模型研发，并完成千卡级以上预训练 + 端到端落地\n•主导过世界模型 / 世界动作模型 / 视频生成方向有显著影响力的项目（开源数据集、可复现 Benchmark、顶会 oral/spotlight）\n•主导过大规模 RL 训练（PPO/GRPO/SAC），完成 Sim-to-Real 闭环验证或真机部署\n专业技能：\n•L3 级具身智能算法能力：能独立设计 VLA / WAM 架构，主导预训练数据配比、后训练 RL 策略与 Reward Model 设计\n•训练工程能力：熟练使用 Megatron / DeepSpeed / FSDP，具备分布式训练性能调优与故障自恢复能力\n•数据闭环设计能力：能基于高德时空数据资源设计自动化具身数据生产、清洗与评测管线，解决具身领域 Scaling Law 落地难题\n•跨模态系统认知：理解从感知—世界模型—决策—动作的完整闭环，能识别瓶颈环节并定位优化路径\n要求：\n•AI Native 思维：对 Scaling Law 有信仰，能把工程实践与前沿研究有机结合\n•无人区作战能力：敢于在缺乏成熟方案的方向独立推进算法实验，具备极客精神与战略定力\n•开源影响力意识：能把工作沉淀为可被行业采纳的标准、数据集或 Benchmark\n•跨团队协同力：能与产品、地图、自动驾驶、基础架构等多方深度协作，把模型推向真实业务\n高德地图视觉技术中心（AMAP CV Lab）\n高德地图日均服务数亿用户，每日处理超百亿级位置与视觉数据。视觉技术中心是高德的核心技术引擎，视觉技术中心是高德的核心技术引擎，深耕空间智能、具身智能、世界模型等AGI前沿方向。我们的核心使命：以空间智能为锚点，打造物理世界的智能体操作系统 ABot。我们不做“刷榜模型”，而是打造能在开放世界中自主决策、安全执行、持续进化的智能体系统。你的研究，将直接改变数亿人的出行方式。\nGitHub 主页：https://github.com/amap-cvlab\n我们的优势：独一无二的“空间智能-场景-生态”三角\n● 空间智能深度：全栈覆盖三维重建、世界模型、多模态、具身导航、LLM/VLM/VLA/AI Agent，所有技术都服务于“让AI理解并作用于物理空间”。\n● 场景广度：亿级用户真实验证，从封闭测试到开放街道，技术必须经得起现实世界的“毒打”，空间智能不能只存在于实验室。\n● 生态高度：清华大学、北京大学、港科、中科院等深度合作，主导开源标准，你不是孤军奋战，而是站在全球空间智能研究的前沿。\n岗位职责：\n具身基座模型 (Embodied Foundation Models)： 研发下一代VLA/WAM大模型，突破多模态指令到精准动作映射的瓶颈，实现跨场景的零样本迁移能力；\n世界模型 (World Models)： 构建基于大规模视频生成的物理世界模拟器，利用生成式AI预测场景演化，为具身智能提供无限的训练“想象空间”；\n大模型后训练与强化学习 ： 探索GRPO、PPO、SAC等算法在多模态大模型、具身控制上的应用，通过大规模强化学习提升Agent在复杂时空环境下的决策边界；\n大规模数据合成与闭环： 利用高德独有的时空数据优势，构建自动化的具身数据生产、评测管线，解决Scaling Law在具身领域的落地难题；\n开源影响力与行业基准： 主导或深度参与具身智能开源项目建设。 我们鼓励将核心算法框架、高质量具身数据集或评估基准贡献给开源社区，打造具有行业号召力的开源作品，定义下一代具身智能的技术标准。\n学历与专业背景：硕士及以上学历。\n项目经历（满足其一）：\n•主导过 VLA/VLM/WAM 至少一个方向从 0 到 1 的模型研发，并完成千卡级以上预训练 + 端到端落地\n•主导过世界模型 / 世界动作模型 / 视频生成方向有显著影响力的项目（开源数据集、可复现 Benchmark、顶会 oral/spotlight）\n•主导过大规模 RL 训练（PPO/GRPO/SAC），完成 Sim-to-Real 闭环验证或真机部署\n专业技能：\n•L3 级具身智能算法能力：能独立设计 VLA / WAM 架构，主导预训练数据配比、后训练 RL 策略与 Reward Model 设计\n•训练工程能力：熟练使用 Megatron / DeepSpeed / FSDP，具备分布式训练性能调优与故障自恢复能力\n•数据闭环设计能力：能基于高德时空数据资源设计自动化具身数据生产、清洗与评测管线，解决具身领域 Scaling Law 落地难题\n•跨模态系统认知：理解从感知—世界模型—决策—动作的完整闭环，能识别瓶颈环节并定位优化路径\n要求：\n•AI Native 思维：对 Scaling Law 有信仰，能把工程实践与前沿研究有机结合\n•无人区作战能力：敢于在缺乏成熟方案的方向独立推进算法实验，具备极客精神与战略定力\n•开源影响力意识：能把工作沉淀为可被行业采纳的标准、数据集或 Benchmark\n•跨团队协同力：能与产品、地图、自动驾驶、基础架构等多方深度协作，把模型推向真实业务",
"standard_classification": {
"std_category_code": "T013",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}