课题详情： 【课题背景】 随着游戏产业向开放世界、高沉浸感和强交互性演进，以及人工智能技术进入多模态与推理能力深度融合的新阶段，构建具备人类级认知、决策与交互能力的游戏智能体已成为学术界与工业界的共同前沿。当前，研究正从传统的指令跟随与单一游戏专家系统，向具备跨环境泛化能力、复杂任务推理能力及多模态理解与交互能力的通用游戏智能体范式演进。 近期行业内的突破性工作，通过集成先进的大语言模型（如Gemini），使智能体不仅能执行指令，更能进行目标推理、与环境对话并解释自身行为，在未经训练的游戏中也展现出强大的泛化能力。 【课题挑战】 1. 推动基础模型与游戏智能的融合：探索如何将大规模预训练的世界知识、推理能力与在复杂环境中的实时感知-动作闭环相结合； 2.攻克因果推理与可解释性：在游戏提供的清晰因果结构中，深入研究智能体如何避免“因果混淆”，建立对环境机制的可解释理解； 3. 验证智能体泛化与迁移的极限：系统研究智能体在跨游戏、跨任务、跨模态情境下的泛化能力，为更广泛的机器人学与Al应用提供原理性启示。 课题要求： 1、计算机、人工智能等相关专业硕士或博士学位，在机器学习领域或者机器人决策领域有扎实的理论功底； 2、具有扎实的机器学习算法基础，具备扎实的大模型研发经验，有 Diffusion Models、Flow Matching 和Autoregressive Models 序列建模及训练经验； 3、熟悉各类深度学习网络和算子底层实现细节，训练和推理模型调优，CPU/GPU加速，分布式训练推理加速，有实操经验优先； 4、熟悉端到端预训练，熟悉 SFT、RL 微调等后续连流程；熟练使用 Python，精通 PyTorch框架； 5、具备较强的学习能力、沟通能力、团队合作能力，有强烈的好奇心； 6、在 CVPR、ICRL、AAAI、NeurIPS、ICML 等顶会发表过高质量论文，或在相关开源项目、算法竞赛中获得优异成绩者优先； 7、有 VLA 相关研究经验或者实践经验者优先。