均胜电子
【27届校招】具身基模研究员（WM/WAM）
【27届校招】具身基模研究员（WM/WAM）
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Diffusion
Flow Matching
Pytorch
Vla
Wam
世界模型
具身智能
分布式训练
多模态建模
值不值得投
74综合评分
综合评分 74
前沿具身智能研究岗，技术成长性强，薪资与 WLB 信息未披露。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
3.5万
比具身智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
17 个在招 · 其中具身智能 13 个
市场机会
选择不多
宁波 · 具身智能 · 1 个在招
职位详情
关于这个职位
该岗位面向具身智能世界模型/世界动作模型（WM/WAM）方向，负责构建能理解环境、预测未来并生成机器人动作的基础模型
你将统一建模视觉、语言、本体状态与动作轨迹，并推动WM/WAM与VLA、模仿学习、强化学习及Diffusion Policy融合，提升机器人在操作、导航和长程任务中的泛化能力
最低要求
计算机、自动化、电子信息、机器人工程、数学等相关专业硕士及以上学历，博士优先
编程基础扎实，熟练掌握 Python 和 PyTorch，熟悉 Linux 开发环境，具备大模型从数据处理、训练优化到部署落地的完整实践经验
深入理解视频生成模型、世界模型及 World Action Model 的前沿进展，熟悉自回归、Diffusion、Flow Matching 等主流生成式架构的底层原理，具备从零到一完成模型训练与部署的实战经验
具备大规模模型训练经验，熟悉分布式训练、长上下文训练及显存优化技术，能够独立定位并解决训练稳定性、收敛效率和系统性能问题
具备扎实的实验方法论，能够设计严谨的对照与消融实验，并对失败案例进行系统性分析和归因
学习能力和自驱力强，具备良好的团队协作与沟通能力
工作职责
负责面向具身智能的世界模型/世界动作模型（WM/WAM）研究与开发，构建能够理解环境状态、预测未来变化并生成机器人动作的基础模型
研究视觉、语言、机器人本体状态、动作轨迹等多模态信息的统一建模，探索动作条件预测、时序建模、长程记忆、物理规律学习，以及未来状态与动作的联合生成
推动 WM/WAM 与 VLA、模仿学习、强化学习、Diffusion Policy、规划控制等技术融合，提升机器人在操作、导航及复杂长程任务中的泛化能力和任务成功率
负责大规模多模态基础模型的训练与优化，建设数据、训练及评测体系，持续提升模型的动作可控性、物理一致性、长时程稳定性及下游机器人任务表现
优先资格
在机器人领域会议（CoRL、RSS、ICRA、IROS）、计算机视觉领域会议（CVPR、ICCV、ECCV）或机器学习领域会议（NeurIPS、ICML、ICLR）发表过一作论文
具备大规模具身模型或视频大模型的百卡级及以上训练经验
具备真实机器人控制、模型部署及软硬件联调经验
具备强化学习与决策、3D 视觉与几何、模型蒸馏或推理加速等相关研究或工程背景
拥有具有影响力的开源项目、顶级竞赛成绩或工业级模型上线经验加分
AI 洞察
优缺点分析
优点
- 方向前沿：聚焦具身智能、世界模型和 WAM，处于机器人与多模态大模型交叉领域
- 技术深度高：覆盖多模态建模、视频生成、Diffusion、强化学习和机器人控制，有利于形成复合技术栈
- 研究与落地并重：既做基础模型研究，也关注真实机器人任务表现和部署，成果转化空间较大
- 校招岗位明确面向 27 届，适合应届硕博进入前沿研究方向
- 技术门槛高：需要同时理解生成式模型、大规模训练和机器人控制，学习曲线较陡
- 研究不确定性大：世界模型/WAM 仍处快速发展阶段，实验失败和方向调整可能较常见
- JD 未披露团队规模、算力资源和工作强度，实际支持条件需在面试中确认
- 适合有顶会论文或大模型训练经验、对具身智能有强烈兴趣，并愿意在不确定的前沿方向持续探索的硕博应届生
缺点 / 挑战
暂无明显挑战项
角色解读
- 可从具身基模研究员成长为世界模型/多模态大模型方向的技术骨干或研究负责人
- 随着模型训练、机器人控制和评测体系经验积累，可向具身智能算法专家、机器人基础模型负责人或跨模态技术管理岗位发展
- 研究成果有机会沉淀为论文、开源项目或工业级模型，形成较强的行业影响力
- 负责具身智能世界模型/世界动作模型（WM/WAM）的研究与开发，让模型理解环境、预测未来并生成机器人动作
- 统一建模视觉、语言、机器人本体状态和动作轨迹等多模态信息，研究动作条件预测、时序建模、长程记忆与物理规律学习
- 推动 WM/WAM 与 VLA、模仿学习、强化学习、Diffusion Policy、规划控制等技术融合，提升机器人在操作、导航和长程任务中的泛化能力
- 参与大规模多模态基础模型训练与优化，建设数据、训练和评测体系，提升动作可控性、物理一致性和下游任务表现
- 扎实的 Python/PyTorch 编程能力与 Linux 开发经验，具备大模型数据处理、训练优化到部署落地的完整实践
- 深入理解视频生成模型、世界模型和 World Action Model，熟悉自回归、Diffusion、Flow Matching 等生成式架构原理
- 具备大规模模型训练经验，熟悉分布式训练、长上下文训练和显存优化，能定位训练稳定性与收敛效率问题
- 具备严谨的实验方法论和消融分析能力，并有顶会一作论文、百卡级训练或真实机器人控制等研究/工程背景者优先
申请策略
- 投递前确认团队算力、数据资源、真实机器人平台和研究成果发表机制，这些会显著影响研究体验
- 关注均胜电子在具身智能/机器人方向的业务布局，面试中展示对工业落地场景的理解
- 突出与世界模型、视频生成、多模态大模型或机器人学习相关的项目，说明模型架构、数据规模和训练细节
- 量化展示大规模训练经验，如分布式训练、显存优化、长上下文训练、训练稳定性排查和性能提升结果
- 列出顶会一作论文、开源项目、竞赛成绩或真实机器人控制/部署经历，尤其是 CoRL、RSS、ICRA、IROS、CVPR、NeurIPS 等
- 用项目说明从数据处理、训练优化到评测部署的完整闭环能力
- 系统复习自回归、Diffusion、Flow Matching 等生成式模型原理，并准备相关代码或项目案例
- 补强分布式训练、显存优化和长上下文训练实践，熟悉至少一种大规模训练框架
面试指南
- 项目题采用 STAR：背景-目标-你的方案-关键实验结果-反思改进，突出技术决策和量化指标
- 研究设计题先定义问题和评价指标，再说明数据、模型、训练策略、基线和消融实验，最后讨论失败案例
- 工程题从问题现象、监控指标、排查路径、解决方案和最终收益展开，体现系统性归因能力
- 请介绍你做过的一个世界模型/视频生成/多模态大模型项目，重点说明模型架构、训练数据和评测方法
- 如何统一建模视觉、语言、机器人状态和动作轨迹？你会如何设计 WM/WAM 的输入输出与训练目标？
- 大规模训练中遇到过失稳或收敛效率问题吗？如何定位和解决？
- 如何将 WM/WAM 与 VLA、Diffusion Policy 或强化学习结合，提升长程任务成功率？
- 请设计一个消融实验，验证世界模型对未来状态预测和动作生成的作用
职位点评
薪资福利62
成长发展92
工作生活50
使命价值88
薪资福利
62中等
JD 未披露薪资与福利，补偿性信息有限；岗位门槛高、研究方向稀缺，实际薪酬需结合学历、论文成果和面试定级确认。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
92较高
岗位处于具身智能与世界模型前沿，技术栈覆盖多模态大模型、生成式模型和机器人控制，研究与工程成长空间很大。
技术前沿前沿/新兴技术
技术栈世界模型、WAM、VLA、多模态建模、Diffusion、Flow Matching、强化学习、PyTorch、分布式训练、机器人控制
业务类型ambiguous
工作生活
50较低
JD 未提及办公模式、弹性工时或加班情况，工作地点仅明确到宁波市，生活化信息不足。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
88较高
岗位聚焦具身智能世界模型/动作模型，处于机器人与多模态大模型交叉前沿，技术探索价值和行业前景较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs