{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "上市集团-数据算法工程师（标注）-四足",
        "job_level": "中级",AI生成
        "work_category": "全职",AI生成
        "department": "",
        "location": "香港",
        "work_mode": "现场办公",AI生成
        "job_category": "职责混合/无法判定"AI生成
    },
    "company": {
        "company_name": "上海某中型人工智能上市公司控股公司",
        "company_industry": "人工智能",
        "company_size": "100-499人",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 45000,
            "max": 75000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "中英双语",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "4D 自动标注\nVLA\n世界模型\n数据闭环\n数据算法\n上市集团组建【四足&人形机器人团队】\n目前团队400多⼈，正在加速扩招到500⼈以上\nbase上海，流程快，1-2轮⾯试就offer～\n岗位职责：\n1.纯视觉感知与 4D 自动标注（Pure Vision & 4D Auto-labeling）：\n* 突破对 LiDAR 的依赖，主导基于纯视觉（单目/多⽬Camera）的 3D 目标检测（OD）、占据网络（Occupancy Network）、鸟瞰图（BEV）及 Depth 的自动标注算法研发。\n* 基于 NeRF、3D Gaussian Splatting (3DGS) 等三维重建与隐式渲染技术，构建静态场景与动态物体的离线高精度 Ground Truth 生成流水线（Offline Auto-labeling）\n2.面向 VLA（视觉-语言-动作）大模型的数据构建：\n* 针对端到端具身控制模型（如 RT-1/2, Octo, OpenVLA 等），研发视觉输入、语言指令（Instruction\n* 与机器人动作轨迹（Action Trajectory）的自动对齐与标注算法。\n开发基于 VLM（视觉语言大模型）的“思维链（CoT）”自动生成算法，为机器人动作决策过程生成解释性文本，构建高质量的 Instruction-following 数据集。\n3.面向世界模型（World Models）的数据挖掘与标注：\n* 针对预测未来状态和视频生成的世界模型（如 Sora 架构、Genie 等），研发基于海量无标注视频的时空序列（Spatio-temporal）特征挖掘与标注算法。\n* 研发针对动态场景的物理交互标注算法（如碰撞、接触力、材质特性、物体状态改变的因果关系 tagging），为世界模型学习物理规律提供高质量微调数据。\n4.数据闭环与自动化产线（Data Closed-loop）：\n* 设计并实现从“感知 -> 规划 -> 动作 -> 结果评估（Reward）”的全链路数据闭环闭环算法，利用 Active Learning 和 Hard Case Mining 技术，自动发掘对 VLA 和世界模型最有价值的长尾/稀有场景数据。\n* 探索利用大规模生成式 AI （如 Text-to-Video / Image-to-Video）结合物理引擎，进行高逼真度的合成数据（Synthetic Data）生成，补充真值数据的不足。\n任职要求：\n1.教育背景： 计算机科学、人工智能、机器人、自动化等相关专业硕士及以上学历。\n2.纯视觉与感知底盘：\n* 在纯视觉 3D 感知（BEV, Monocular 3D, Occ）有深厚积累，熟悉基于 Transformer 的主流视觉架构。\n* 有离线大模型自动标注（如基于 SAM, Grounding DINO, Tracking 算法做 2D/3D Zero-shot 预标注）的丰富实战经验。\n3.前沿模型经验（核心门槛）：\n* 深入理解 VLM（如 LLaVA, Qwen-VL）和端到端具身智能 VLA 架构，有大规模图文、视频-语言、状态-动作数据集处理或构建经验。\n* 对视频生成模型（Video Diffusion）、时空预测模型（Spatiotemporal Predictive Models）或 World Models 有深入研究，理解其对数据时序性、物理规律及 Prompt 的依赖特性。\n4.工程落地能力：\n* 扎实的 Python/C++ 功底，熟练使用 PyTorch。\n* 熟悉大规模分布式数据处理流水线，能在海量视频/连续帧数据上进行高效的特征提取和模型推理。\n5.综合素质： 具备极强的前瞻性技术视野和自驱力，能够紧跟学术界具身智能与大模型的最新进展并快速转化为工程实践。\n加分项：\n* 有自动驾驶端到端大模型（End-to-End Autonomous Driving）或四足/双足机器人强化学习、模仿学习（Imitation Learning）数据处理经验。\n* 熟悉异构计算与大模型推理优化，有在大型 GPU 集群（如基于 Ray, Kubernetes 等）上调度高并发自动标注任务的经验。\n认证资质\n人力资源服务许可证",
        "skills": [AI生成
            "AI数据安全与合规治理",
            "API/SDK与开放平台开发",
            "Agent系统构建",
            "GTM与商业化策略",
            "Linux/DevOps/CI-CD"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/3fbbc7a79d9cc4100nN439u6FFBR.html"
            }
        ]
    },
    "posting": {
        "posting_id": "3fbbc7a79d9cc4100nN439u6FFBR",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/3fbbc7a79d9cc4100nN439u6FFBR.html"
    },
    "fulltext": "4D 自动标注\nVLA\n世界模型\n数据闭环\n数据算法\n上市集团组建【四足&人形机器人团队】\n目前团队400多⼈，正在加速扩招到500⼈以上\nbase上海，流程快，1-2轮⾯试就offer～\n岗位职责：\n1.纯视觉感知与 4D 自动标注（Pure Vision & 4D Auto-labeling）：\n* 突破对 LiDAR 的依赖，主导基于纯视觉（单目/多⽬Camera）的 3D 目标检测（OD）、占据网络（Occupancy Network）、鸟瞰图（BEV）及 Depth 的自动标注算法研发。\n* 基于 NeRF、3D Gaussian Splatting (3DGS) 等三维重建与隐式渲染技术，构建静态场景与动态物体的离线高精度 Ground Truth 生成流水线（Offline Auto-labeling）\n2.面向 VLA（视觉-语言-动作）大模型的数据构建：\n* 针对端到端具身控制模型（如 RT-1/2, Octo, OpenVLA 等），研发视觉输入、语言指令（Instruction\n* 与机器人动作轨迹（Action Trajectory）的自动对齐与标注算法。\n开发基于 VLM（视觉语言大模型）的“思维链（CoT）”自动生成算法，为机器人动作决策过程生成解释性文本，构建高质量的 Instruction-following 数据集。\n3.面向世界模型（World Models）的数据挖掘与标注：\n* 针对预测未来状态和视频生成的世界模型（如 Sora 架构、Genie 等），研发基于海量无标注视频的时空序列（Spatio-temporal）特征挖掘与标注算法。\n* 研发针对动态场景的物理交互标注算法（如碰撞、接触力、材质特性、物体状态改变的因果关系 tagging），为世界模型学习物理规律提供高质量微调数据。\n4.数据闭环与自动化产线（Data Closed-loop）：\n* 设计并实现从“感知 -> 规划 -> 动作 -> 结果评估（Reward）”的全链路数据闭环闭环算法，利用 Active Learning 和 Hard Case Mining 技术，自动发掘对 VLA 和世界模型最有价值的长尾/稀有场景数据。\n* 探索利用大规模生成式 AI （如 Text-to-Video / Image-to-Video）结合物理引擎，进行高逼真度的合成数据（Synthetic Data）生成，补充真值数据的不足。\n任职要求：\n1.教育背景： 计算机科学、人工智能、机器人、自动化等相关专业硕士及以上学历。\n2.纯视觉与感知底盘：\n* 在纯视觉 3D 感知（BEV, Monocular 3D, Occ）有深厚积累，熟悉基于 Transformer 的主流视觉架构。\n* 有离线大模型自动标注（如基于 SAM, Grounding DINO, Tracking 算法做 2D/3D Zero-shot 预标注）的丰富实战经验。\n3.前沿模型经验（核心门槛）：\n* 深入理解 VLM（如 LLaVA, Qwen-VL）和端到端具身智能 VLA 架构，有大规模图文、视频-语言、状态-动作数据集处理或构建经验。\n* 对视频生成模型（Video Diffusion）、时空预测模型（Spatiotemporal Predictive Models）或 World Models 有深入研究，理解其对数据时序性、物理规律及 Prompt 的依赖特性。\n4.工程落地能力：\n* 扎实的 Python/C++ 功底，熟练使用 PyTorch。\n* 熟悉大规模分布式数据处理流水线，能在海量视频/连续帧数据上进行高效的特征提取和模型推理。\n5.综合素质： 具备极强的前瞻性技术视野和自驱力，能够紧跟学术界具身智能与大模型的最新进展并快速转化为工程实践。\n加分项：\n* 有自动驾驶端到端大模型（End-to-End Autonomous Driving）或四足/双足机器人强化学习、模仿学习（Imitation Learning）数据处理经验。\n* 熟悉异构计算与大模型推理优化，有在大型 GPU 集群（如基于 Ray, Kubernetes 等）上调度高并发自动标注任务的经验。\n认证资质\n人力资源服务许可证"
}