主分类：机器人与自动驾驶算法研发
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": "研究型实习生-面向开放环境的通用具身智能体泛化优化研究",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里云",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里云",
"company_industry": "云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "国内外博士生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "阿里云PAI深度学习团队正在布局**物理 AI 与具身智能**方向，寻找博士研究型实习生，聚焦具身智能体从实验室到开放世界泛化的核心瓶颈，围绕以下内容开展前沿研究：\n1. **多源数据驱动的跨域泛化**：研究 VLA 与 WAM 两条路线下多源异构数据（遥操作轨迹、人类演示、仿真数据、无标注视频）的差异化利用策略、跨本体统一动作表示、以及数据多样性优化，提升智能体在分布外场景下的泛化能力。\n2. **RL 后训练驱动的行为泛化**：研究基于世界模型的想象训练与大规模 RL 后训练方法，突破行为克隆的泛化边界，涵盖通用奖励设计、异构架构 RL 适配、以及部署端持续进化闭环。\n3. **物理AI研发闭环全链路搭建**：参与物理AI研发基础设施建设，包括数据采集与管理流水线、VLM/VLA与WFM/WAM等基础模型的训练与评测平台、以及仿真-真机部署闭环工具链，为上述研究方向提供可复用的AI Infra支撑。\n核心算法成果将沉淀至 ModelScope、HuggingFace 及 PAI 开源算法库，支持在 NeurIPS、ICML、ICLR、CoRL、RSS、CVPR、ICCV、ECCV等顶会发表论文。",
"requirements_text": "1. 国内外博士生，计算机科学、人工智能、机器人学、自动化或相关专业，实习时间不少于 6 个月；\n2. 在具身智能、机器人学习、强化学习、多模态大模型（VLM/VLA）、世界模型（WFM/WAM）、模仿学习、计算机视觉等方向中，至少一个有扎实研究基础；\n3. 熟悉 PyTorch，具备扎实的编程能力（Python 为主），能独立完成从算法设计到论文撰写的完整研究流程；\n4. 在相关领域顶会/期刊以第一作者或核心作者身份发表过论文。\n加分项：\n1. 有 VLA/VLM 模型训练经验，熟悉 Qwen系列、OpenVLA系列、Pi系列、GR00T系列等代表性工作；\n2. 有具身 RL 训练经验，熟悉 GRPO/PPO/DPO 等算法及slime、chatlearn、verl、RLinf、cosmos-rl等框架；\n3. 有世界模型相关研究经验，了解 Wan系列、Cosmos系列、以及Dreamzero、Motus 等代表性工作；\n4. 有具身机器人/智驾等实践经验（仿真或真机），熟悉 LIBERO、MuJoCo/Isaac Sim、CARLA等引擎和平台、3D/4D重建及神经渲染等技术。",
"skills": [AI生成
"Python",
"PyTorch",
"强化学习",
"计算机视觉",
"算法设计",
"模型训练",
"渲染",
"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://campus-talent.alibaba.com/campus/position/199904040003?deptCodes="
}
]
},
"posting": {
"posting_id": "199904040003",
"post_date": "2026-03-25",
"hire_time": "1. 国内外博士生，计算机科学、人工智能、机器人学、自动化或相关专业，实习时间不少于 6 个月",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199904040003?deptCodes="
},
"fulltext": "研究型实习生-面向开放环境的通用具身智能体泛化优化研究\n研究型实习生-面向开放环境的通用具身智能体泛化优化研究\n\n基础信息\n毕业起止时间要求：2027-11-01 - 2030-01-01\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：北京\n\n职位描述\n阿里云PAI深度学习团队正在布局**物理 AI 与具身智能**方向，寻找博士研究型实习生，聚焦具身智能体从实验室到开放世界泛化的核心瓶颈，围绕以下内容开展前沿研究：\n1. **多源数据驱动的跨域泛化**：研究 VLA 与 WAM 两条路线下多源异构数据（遥操作轨迹、人类演示、仿真数据、无标注视频）的差异化利用策略、跨本体统一动作表示、以及数据多样性优化，提升智能体在分布外场景下的泛化能力。\n2. **RL 后训练驱动的行为泛化**：研究基于世界模型的想象训练与大规模 RL 后训练方法，突破行为克隆的泛化边界，涵盖通用奖励设计、异构架构 RL 适配、以及部署端持续进化闭环。\n3. **物理AI研发闭环全链路搭建**：参与物理AI研发基础设施建设，包括数据采集与管理流水线、VLM/VLA与WFM/WAM等基础模型的训练与评测平台、以及仿真-真机部署闭环工具链，为上述研究方向提供可复用的AI Infra支撑。\n核心算法成果将沉淀至 ModelScope、HuggingFace 及 PAI 开源算法库，支持在 NeurIPS、ICML、ICLR、CoRL、RSS、CVPR、ICCV、ECCV等顶会发表论文。\n\n职位要求\n1. 国内外博士生，计算机科学、人工智能、机器人学、自动化或相关专业，实习时间不少于 6 个月；\n2. 在具身智能、机器人学习、强化学习、多模态大模型（VLM/VLA）、世界模型（WFM/WAM）、模仿学习、计算机视觉等方向中，至少一个有扎实研究基础；\n3. 熟悉 PyTorch，具备扎实的编程能力（Python 为主），能独立完成从算法设计到论文撰写的完整研究流程；\n4. 在相关领域顶会/期刊以第一作者或核心作者身份发表过论文。\n加分项：\n1. 有 VLA/VLM 模型训练经验，熟悉 Qwen系列、OpenVLA系列、Pi系列、GR00T系列等代表性工作；\n2. 有具身 RL 训练经验，熟悉 GRPO/PPO/DPO 等算法及slime、chatlearn、verl、RLinf、cosmos-rl等框架；\n3. 有世界模型相关研究经验，了解 Wan系列、Cosmos系列、以及Dreamzero、Motus 等代表性工作；\n4. 有具身机器人/智驾等实践经验（仿真或真机），熟悉 LIBERO、MuJoCo/Isaac Sim、CARLA等引擎和平台、3D/4D重建及神经渲染等技术。\n\n在招业务\n阿里云\n阿里云PAI深度学习团队正在布局**物理 AI 与具身智能**方向，寻找博士研究型实习生，聚焦具身智能体从实验室到开放世界泛化的核心瓶颈，围绕以下内容开展前沿研究：\n1. **多源数据驱动的跨域泛化**：研究 VLA 与 WAM 两条路线下多源异构数据（遥操作轨迹、人类演示、仿真数据、无标注视频）的差异化利用策略、跨本体统一动作表示、以及数据多样性优化，提升智能体在分布外场景下的泛化能力。\n2. **RL 后训练驱动的行为泛化**：研究基于世界模型的想象训练与大规模 RL 后训练方法，突破行为克隆的泛化边界，涵盖通用奖励设计、异构架构 RL 适配、以及部署端持续进化闭环。\n3. **物理AI研发闭环全链路搭建**：参与物理AI研发基础设施建设，包括数据采集与管理流水线、VLM/VLA与WFM/WAM等基础模型的训练与评测平台、以及仿真-真机部署闭环工具链，为上述研究方向提供可复用的AI Infra支撑。\n核心算法成果将沉淀至 ModelScope、HuggingFace 及 PAI 开源算法库，支持在 NeurIPS、ICML、ICLR、CoRL、RSS、CVPR、ICCV、ECCV等顶会发表论文。\n1. 国内外博士生，计算机科学、人工智能、机器人学、自动化或相关专业，实习时间不少于 6 个月；\n2. 在具身智能、机器人学习、强化学习、多模态大模型（VLM/VLA）、世界模型（WFM/WAM）、模仿学习、计算机视觉等方向中，至少一个有扎实研究基础；\n3. 熟悉 PyTorch，具备扎实的编程能力（Python 为主），能独立完成从算法设计到论文撰写的完整研究流程；\n4. 在相关领域顶会/期刊以第一作者或核心作者身份发表过论文。\n加分项：\n1. 有 VLA/VLM 模型训练经验，熟悉 Qwen系列、OpenVLA系列、Pi系列、GR00T系列等代表性工作；\n2. 有具身 RL 训练经验，熟悉 GRPO/PPO/DPO 等算法及slime、chatlearn、verl、RLinf、cosmos-rl等框架；\n3. 有世界模型相关研究经验，了解 Wan系列、Cosmos系列、以及Dreamzero、Motus 等代表性工作；\n4. 有具身机器人/智驾等实践经验（仿真或真机），熟悉 LIBERO、MuJoCo/Isaac Sim、CARLA等引擎和平台、3D/4D重建及神经渲染等技术。",
"standard_classification": {
"std_category_code": "T013",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}