主分类：AI模型评测工程
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": "数据技术及产品部-大模型评测算法-世界模型方向",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "硕士及以上",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "岗位描述：面向世界模型（对物理 / 交互环境建模、预测未来状态、支持规划与决策的大模型，含视频生成式世界模型、交互式可玩世界模型、Physical AI 的世界基座模型等，服务机器人、自动驾驶等下游），独立负责其能力提升的完整闭环。\n岗位职责：\n1. 设计世界模型评测任务与指标，区分\"视觉逼真\"与\"真正的世界建模能力\"（业界已证实二者可脱钩）：覆盖物理规律遵循（physics adherence，如质量/动量守恒、流体、光学、力学）、时序与长程一致性、指令可控性、动作条件下的状态演化预测，以及作为可交互环境的稳定性；兼顾生成质量与对下游规划 / 决策的功能有效性。对标并扩展业界 benchmark：Physics-IQ、WorldModelBench、GameNGen 类交互式世界等。定位失败模式（物理违背、状态漂移、长时序崩坏、幻觉物体、物体尺寸/守恒违规等）。\n2. 针对短板设计数据合成与生成式仿真环境合成（generative simulation，如 RoboGen / Cosmos 式自动生成任务、场景、物理配置）方案，增强模型对物理规律、因果关系、空间 / 物体持久性的建模。\n3. 主导世界模型训练消化数据，用评测复测验证优化效果，推动闭环持续迭代。",
"requirements_text": "1. 硕士及以上，计算机视觉 / 机器学习 / 机器人等相关专业；3 年以上大模型相关研发经验，或具备高质量论文 / 开源成果（不唯年限，重在深度）。\n2. 熟悉世界模型 / 视频生成 / 视频预测 / 具身智能相关技术（diffusion、autoregressive video、latent dynamics model、video tokenizer、VLA 等），了解 Cosmos / GameNGen / Genie 类世界模型的思路。\n3. 理解物理仿真与强化学习环境（MuJoCo、Isaac 及各类 game / robotics 仿真），能支撑生成式环境合成。\n4. 熟悉视觉 / 视频质量指标（FVD、PSNR、SSIM 等）及其局限（视觉指标无法反映物理理解），能设计更贴合\"世界模型有效性\"的物理与功能性评测（对标 Physics-IQ、WorldModelBench 等）。\n5. 扎实的 Python / PyTorch 工程能力，熟悉分布式训练与大规模可复现实验管线。\n6. 能独立定义评测方案并推动\"评测—数据—训练\"闭环落地，具备跨团队协作与技术引领能力。\n加分项\n1. 有世界模型、视频生成、具身智能 / Physical AI 相关顶会论文或开源贡献；熟悉规划算法（MPC、model-based RL）与世界模型的结合，或世界模型在机器人 / 自动驾驶的落地评测。",
"skills": [AI生成
"Python",
"PyTorch",
"机器学习",
"强化学习",
"计算机视觉",
"团队协作",
"大语言模型"
],
"preferred_qualifications": "加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100042580001"
}
]
},
"posting": {
"posting_id": "100042580001",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100042580001"
},
"fulltext": "数据技术及产品部-大模型评测算法-世界模型方向\n数据技术及产品部-大模型评测算法-世界模型方向\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京 / 杭州\n\n职位描述\n岗位描述：面向世界模型（对物理 / 交互环境建模、预测未来状态、支持规划与决策的大模型，含视频生成式世界模型、交互式可玩世界模型、Physical AI 的世界基座模型等，服务机器人、自动驾驶等下游），独立负责其能力提升的完整闭环。\n岗位职责：\n1. 设计世界模型评测任务与指标，区分\"视觉逼真\"与\"真正的世界建模能力\"（业界已证实二者可脱钩）：覆盖物理规律遵循（physics adherence，如质量/动量守恒、流体、光学、力学）、时序与长程一致性、指令可控性、动作条件下的状态演化预测，以及作为可交互环境的稳定性；兼顾生成质量与对下游规划 / 决策的功能有效性。对标并扩展业界 benchmark：Physics-IQ、WorldModelBench、GameNGen 类交互式世界等。定位失败模式（物理违背、状态漂移、长时序崩坏、幻觉物体、物体尺寸/守恒违规等）。\n2. 针对短板设计数据合成与生成式仿真环境合成（generative simulation，如 RoboGen / Cosmos 式自动生成任务、场景、物理配置）方案，增强模型对物理规律、因果关系、空间 / 物体持久性的建模。\n3. 主导世界模型训练消化数据，用评测复测验证优化效果，推动闭环持续迭代。\n\n职位要求\n1. 硕士及以上，计算机视觉 / 机器学习 / 机器人等相关专业；3 年以上大模型相关研发经验，或具备高质量论文 / 开源成果（不唯年限，重在深度）。\n2. 熟悉世界模型 / 视频生成 / 视频预测 / 具身智能相关技术（diffusion、autoregressive video、latent dynamics model、video tokenizer、VLA 等），了解 Cosmos / GameNGen / Genie 类世界模型的思路。\n3. 理解物理仿真与强化学习环境（MuJoCo、Isaac 及各类 game / robotics 仿真），能支撑生成式环境合成。\n4. 熟悉视觉 / 视频质量指标（FVD、PSNR、SSIM 等）及其局限（视觉指标无法反映物理理解），能设计更贴合\"世界模型有效性\"的物理与功能性评测（对标 Physics-IQ、WorldModelBench 等）。\n5. 扎实的 Python / PyTorch 工程能力，熟悉分布式训练与大规模可复现实验管线。\n6. 能独立定义评测方案并推动\"评测—数据—训练\"闭环落地，具备跨团队协作与技术引领能力。\n加分项\n1. 有世界模型、视频生成、具身智能 / Physical AI 相关顶会论文或开源贡献；熟悉规划算法（MPC、model-based RL）与世界模型的结合，或世界模型在机器人 / 自动驾驶的落地评测。\n岗位描述：面向世界模型（对物理 / 交互环境建模、预测未来状态、支持规划与决策的大模型，含视频生成式世界模型、交互式可玩世界模型、Physical AI 的世界基座模型等，服务机器人、自动驾驶等下游），独立负责其能力提升的完整闭环。\n岗位职责：\n1. 设计世界模型评测任务与指标，区分\"视觉逼真\"与\"真正的世界建模能力\"（业界已证实二者可脱钩）：覆盖物理规律遵循（physics adherence，如质量/动量守恒、流体、光学、力学）、时序与长程一致性、指令可控性、动作条件下的状态演化预测，以及作为可交互环境的稳定性；兼顾生成质量与对下游规划 / 决策的功能有效性。对标并扩展业界 benchmark：Physics-IQ、WorldModelBench、GameNGen 类交互式世界等。定位失败模式（物理违背、状态漂移、长时序崩坏、幻觉物体、物体尺寸/守恒违规等）。\n2. 针对短板设计数据合成与生成式仿真环境合成（generative simulation，如 RoboGen / Cosmos 式自动生成任务、场景、物理配置）方案，增强模型对物理规律、因果关系、空间 / 物体持久性的建模。\n3. 主导世界模型训练消化数据，用评测复测验证优化效果，推动闭环持续迭代。\n1. 硕士及以上，计算机视觉 / 机器学习 / 机器人等相关专业；3 年以上大模型相关研发经验，或具备高质量论文 / 开源成果（不唯年限，重在深度）。\n2. 熟悉世界模型 / 视频生成 / 视频预测 / 具身智能相关技术（diffusion、autoregressive video、latent dynamics model、video tokenizer、VLA 等），了解 Cosmos / GameNGen / Genie 类世界模型的思路。\n3. 理解物理仿真与强化学习环境（MuJoCo、Isaac 及各类 game / robotics 仿真），能支撑生成式环境合成。\n4. 熟悉视觉 / 视频质量指标（FVD、PSNR、SSIM 等）及其局限（视觉指标无法反映物理理解），能设计更贴合\"世界模型有效性\"的物理与功能性评测（对标 Physics-IQ、WorldModelBench 等）。\n5. 扎实的 Python / PyTorch 工程能力，熟悉分布式训练与大规模可复现实验管线。\n6. 能独立定义评测方案并推动\"评测—数据—训练\"闭环落地，具备跨团队协作与技术引领能力。\n加分项\n1. 有世界模型、视频生成、具身智能 / Physical AI 相关顶会论文或开源贡献；熟悉规划算法（MPC、model-based RL）与世界模型的结合，或世界模型在机器人 / 自动驾驶的落地评测。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}