可以选择以下一个或多个方向深入参与： 建设具身智能统一训练框架，支撑 VLA、世界模型、分层决策模型等具身基础模型的预训练与后训练，覆盖从十亿级到百亿 / 千亿级参数规模，并面向 300B+ 模型持续演进。 建设大规模分布式训练系统，包括数据并行、张量并行、流水线并行、混合并行、MoE、长上下文、低精度训练与推理等，支撑万卡 GPU 集群上的稳定训练。 建设规模化后训练与强化学习系统，涵盖模仿学习、在线 / 离线 RL、真机 RL，以及云端训练 + 边缘异步 rollout 的云边协同架构。 建设训练效率优化体系，围绕数据、计算、异步、通信全链路进行度量与优化，包括 IO、算子融合、CUDA Graph、计算通信 overlap、梯度同步、性能 profiling 等。 与算法团队协作，快速复现并工程化落地 VLA、世界模型、flow matching、RL 等前沿算法。 计算机基础扎实，学习能力强，愿意深入复杂系统和底层细节。 代码能力强，代码品味好，能熟练使用 AI Coding / Code Agent 提升研发效率。 具备良好的系统设计能力，能在功能、效率、稳定性之间做合理取舍。 熟悉 Python / C++ / Rust 之一，了解 PyTorch、Megatron、DeepSpeed、VeRL、RLinf 等训练框架中的一种或多种。 在大模型训练 / 推理、分布式系统、强化学习系统或具身智能任一方向有经验或强烈兴趣。 计算机、AI、机器人等相关专业本科及以上，硕士 / 博士优先。 【加分项】 有大规模 GPU 集群训练经验，理解吞吐、调度、容错、稳定性等系统级问题。 熟悉 Megatron、DeepSpeed、VeRL、RLinf 等训练框架，有从零构建或深度重构训练框架经验。 熟悉 CUDA / Triton 算子开发、RDMA 编程、CPU / IO 优化，或熟练使用 Nsight Systems、PyTorch Profiler 等性能分析工具。 有分布式真机 RL、云边协同、异步训练系统经验，或熟悉 sim2real 与 RoboSuite、ManiSkill、Isaac 等仿真器。 在大型开源软件中有深度贡献，或有优秀个人开源项目。 在高性能计算赛事、算法竞赛中取得优异成绩，或在校成绩排名前 10%。 复现过 LLM、RL、多模态、VLA、世界模型相关论文或项目。