关于我们

我们是一家专注于物理AI与具身智能的科技公司，成立于2024年5月，是全球领先的L4级自动驾驶上市公司（港股美股双上市）的全资子公司--1。公司以“AI定义产业未来”为使命，在全球布局10余个AI数据中心，拥有3000多名专业人员-7-。

公司依托母公司十年 Physical AI 商业化落地经验，以自研 WorldEngine 数据-模型一体化平台和生成式世界模型 GENESIS 为核心，为具身智能研发、训练和商业化提供底层基础设施支撑-3。公司构建了“真实采集 × 生成式增强”的数据飞轮，实现模型迭代效率提升10倍、数据成本降低50%-3。

目前，我们已与包括奔驰、NVIDIA在内的全球数百家行业领先企业建立合作，共同加速通用具身智能的产业化落地-3-21。公司手握独家L4真实物理数据、自研GENESIS世界模型与VLA全套技术，对内支撑整车智驾量产、对外服务头部机器人企业，现金流稳定、算力资源充足，卡位物理AI黄金赛道--3。

目前具身研发团队10余人，base地覆盖成都、广州、上海，正处于快速扩张阶段。

岗位信息

岗位名称：物理AI基础大模型算法工程师（VLA方向）

工作地点：上海市徐汇区 / 广州市海珠区

薪资范围：年薪45-75万（15薪，包餐）

招聘人数：1人

岗位职责

1. 在物理AI基础大模型的统一架构（unified model）下，负责 VLA / Policy 模块的架构设计、训练与部署，覆盖视觉编码、语言条件、动作生成的完整链路

2. 设计能跨任务、跨 embodiment 泛化的 VLA 模型，参考业界主流路线（PI0、RDT、OpenVLA、GROOT、Qwen-VLA 等），在视觉编码、动作头、语言条件等关键设计点上做工程选型与改进

3. 负责大规模分布式训练（多机多卡），设计 SFT + RL 的完整 post-training pipeline，研究并实现具身 RL 算法（GRPO、DAPO、Flow Matching RL 等），处理 reward sparsity、长 horizon 训练稳定性等核心问题

4. 设计跨 embodiment 的统一动作表征与适配方案，支持机械臂、人形、灵巧手、移动底盘等不同形态的快速接入，覆盖动作空间异构、控制频率差异、少样本适配等问题

5. 推动推理加速与真机部署：将 VLA 模型压缩到边缘硬件可跑、端到端延迟 <200ms，涉及量化、KV cache 优化、action chunking、推理引擎对接等工作

6. 建立“训练→真机部署→收集 badcase→重训”的闭环迭代机制，解决真机部署中的泛化与稳定性问题

任职要求

基础条件

• 计算机、人工智能、机器人或相关专业，硕士及以上学历

• 1-3年 VLA视觉-语言-动作模型训练、真机部署经验（>3年优秀者亦可考虑）

• 精通 Python 和 PyTorch，有大规模分布式训练经验（DeepSpeed / Megatron / FSDP 等至少一种）

• 对 VLA / VLM 架构（PI0、OpenVLA、RDT、GROOT、Qwen-VLA 等）有深入理解，能讲清楚视觉编码、动作头设计、语言条件注入等关键选型的 trade-off

• 有 RL（PPO / GRPO / DAPO）或 IL（BC / Diffusion Policy）在仿真或真机环境中的完整训练经验

• 熟悉模型推理优化（量化、剪枝、TensorRT / vLLM）或 CUDA 算子开发

• 能独立阅读并复现 VLA / RL 领域的顶会论文

加分项

• 有 VLA 模型从训练到真机部署的完整经验，理解仿真表现好、真机失效的常见原因

• 对 unified model 范式（如 Transfusion、Show-o、Janus-Pro、Cosmos、RynnVLA 等 AR + Generation 统一架构）有理解或实践经验

• 有 RLHF / DPO / Flow Matching RL 或机器人专用 RL 算法的实战经验

• 有真实机器人（机械臂、人形、灵巧手、移动机器人）的部署经验，熟悉 ROS / ROS2、机器人运动学/动力学

• 在 NeurIPS / ICML / ICLR / CoRL / RSS / ICRA 等顶会发表过相关论文

薪酬福利

• 薪资：综合定薪（过往薪资 + 面试表现），年薪45-75万

• 年终：15薪

• 餐饮：包餐

• 工作时间：早9晚6，双休

• 面试流程：4轮线上面试，需考算法代码

我们希望你是什么样的工程师

我们寻找的不是只会调参的工程师，而是对 VLA 架构有深度理解、能从第一性原理出发做工程选型的技术人。你需要能讲清楚：为什么这个模型用这种视觉编码方式？动作头为什么要这样设计？语言条件注入的 trade-off 是什么？

同时，我们极度重视真机部署能力。模型在仿真里跑得再好，到了真机上动不了就是零分。我们希望你有“训练→部署→发现问题→迭代”的完整闭环经验，理解仿真与真机之间的鸿沟在哪里。

欢迎交流。