均胜电子
Data Platform：具身数据研究
Data Platform：具身数据研究
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
Pytorch
Vla
世界模型
具身智能
多模态数据处理
强化学习
模仿学习
运动重定向
值不值得投
70综合评分
综合评分 70
前沿具身智能数据研究岗，技术成长空间大，薪资与工作强度待确认。
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，方便横向比较。
薪资怎么样
3.3万
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
这是一个面向具身智能大模型的数据研究与工程岗位，主要负责为VLA、世界模型、模仿学习/强化学习等方向设计训练数据策略，规划真实机器人、遥操作、人类视频、仿真等多种数据的采集与处理方案
你需要搭建多模态数据的清洗、加工与质量评估体系，并通过数据迭代闭环持续提升模型能力
最低要求
计算机、人工智能、自动化、机器人工程、计算机视觉、电子信息等相关专业硕士及以上学历，博士优先
具备3年左右具身智能、机器人数据、多模态数据或相关领域工作经验
编程与算法基础扎实，熟练掌握 Python、PyTorch 和 Linux 开发环境，具备大规模视频、机器人轨迹或多模态数据处理经验
熟悉具身智能数据的主要模态和数据结构，理解机器人观测空间、状态空间、动作空间及轨迹表示，了解 VLA、世界模型、模仿学习或强化学习对训练数据的需求
具备机器人数据处理、视频理解、人体姿态估计、手部动作提取、动作捕捉、运动重定向或三维视觉中的一项或多项深入经验，能够独立制定数据方案，并根据模型训练和评测结果推动数据迭代
工作职责
负责具身模型训练的数据策略设计，面向 VLA、世界模型、模仿学习和强化学习等方向，定义训练所需的数据类型、模态组合、任务分布、场景与物体覆盖、本体多样性、轨迹时长及成功与失败样本配比
制定真实机器人、遥操作、人类视频、仿真数据及互联网视频等数据的获取方案，明确任务类型、动作类型、环境条件、传感器配置、数据规模、采集规范和验收标准，推动内部采集、第三方定制采集或外部数据采购
负责具身多模态数据的清洗、加工与信息提取体系建设，覆盖视频、图像、深度、点云、语言、机器人本体状态、动作轨迹、力觉及触觉等数据的解析、时间对齐、过滤去重、异常检测、轨迹切分和格式转换
研究人体姿态、手部动作、物体状态、接触状态及任务阶段提取，以及人类动作到机器人动作的运动重定向
建立具身数据质量评估与版本管理体系，从数据完整性、视觉质量、动作有效性、轨迹质量、任务覆盖度、数据多样性和分布平衡等维度评估数据，分析不同数据组成对模型能力的影响，推动数据获取、处理、训练、评测和失败样本回流的闭环迭代
优先资格
博士学历优先
AI 洞察
优缺点分析
优点
- 具身智能是当前高速发展的前沿赛道，VLA、世界模型等方向技术前沿性强，技能积累价值高
- 岗位横跨数据工程与模型训练，能建立稀缺的数据-模型贯通能力
- 隶属上市公司具身大脑团队，平台与业务方向清晰
- 岗位需同时对接数据采集、清洗与模型训练评测，跨团队协作多、事务链长
- 多模态数据处理涉及视频、点云、轨迹、力触觉等复杂格式，工程与算法门槛都不低
- 前沿方向标准尚未成熟，很多方案需自行设计与验证
- 适合具备多模态数据工程基础、对具身智能有强烈兴趣，且愿意在数据与模型交叉地带深耕的硕士/博士型技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 可沿具身数据/数据基础设施方向成长为数据负责人或数据平台技术专家
- 也可向具身大模型算法、训练评测闭环等高价值方向延伸，成为贯通数据与模型的关键角色
- 为具身大模型（VLA、世界模型、模仿/强化学习）设计训练数据策略，明确数据模态、任务分布与样本配比
- 组织真实机器人、遥操作、人类视频、仿真等多源数据的采集与验收
- 搭建多模态数据清洗、对齐、切分与信息提取流水线，并建立数据质量评估与版本管理闭环
- 扎实的 Python/PyTorch/Linux 工程能力，能处理大规模视频、机器人轨迹和多模态数据
- 理解机器人观测/状态/动作空间与轨迹表示，熟悉 VLA、模仿学习、强化学习对数据的需求
- 在视频理解、人体姿态估计、动作捕捉、运动重定向或三维视觉中至少一项有深入经验
申请策略
- 申请前了解均胜电子在具身智能与机器人方向的布局，面试中可主动结合其「通用具身大脑」定位谈数据方案设计思路
- 突出大规模视频/多模态数据处理的实战项目与数据量级
- 展示对机器人轨迹、动作空间、运动重定向或姿态估计的具体经验
- 用案例说明你如何通过数据策略或数据质量体系提升模型效果
- 强调 Python/PyTorch/Linux 的工程落地能力
- 补充 VLA、世界模型、模仿学习/强化学习的数据需求理解
- 熟悉常见多模态数据格式（视频、深度、点云、力触觉）与处理工具链
- 了解 Isaac Sim 等仿真数据生成与数据版本管理工具
面试指南
- 采用「目标-拆解-落地-验证」框架：先讲清模型训练目标对应的数据需求，再拆解数据类型与采集/处理方案，说明具体工程实现与规范，最后用评测指标和迭代闭环证明效果
- 对开放问题可结合过往项目的量级与踩坑经验作答
- 你如何为VLA模型设计一套完整的数据策略（模态、任务分布、正负样本配比）？大规模多模态数据的时间对齐、去重和异常检测你通常怎么做？人类视频动作如何重定向到机器人动作？你如何评估数据质量并量化数据组成对模型能力的影响？
- 准备1-2个多模态数据处理或数据策略的完整案例（含数据量级、难点、收益）
- 复习具身智能数据模态与轨迹表示的基础概念
- 了解 VLA、世界模型、模仿学习对训练数据的典型需求
职位点评
薪资福利62
成长发展88
工作生活55
使命价值72
薪资福利
62中等
JD 未披露薪资与福利，岗位位于宁波，薪资竞争力需与 HR 进一步确认；具身智能属热门方向，具备一定议价空间。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
88较高
岗位处于具身智能前沿，涵盖 VLA、世界模型等新兴技术，且横跨数据工程与模型训练，成长与技术积累空间大；JD 未明确提及晋升或培训机制。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、Linux、VLA、世界模型、模仿学习、强化学习、多模态数据、运动重定向
业务类型ambiguous
工作生活
55较低
JD 未提及办公模式、加班或弹性等 WLB 相关信息，工作强度与灵活性无法从原文判断。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
72中等
具身智能属高速增长的前沿赛道，参与通用具身大脑的数据基础建设具有一定行业意义；JD 未直接阐述使命或社会价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs