1. 研究Embodied Mid-training方法论：通用视频模型向具身场景迁移的最优路径 2. 设计动作表示与对齐方案：多机器人本体统一动作空间、Action Tokenizer设计 3. 探索World Model与VLA的融合路径：Single Backbone、MoT专家混合、IDM解耦等范式 4. 研究基于World Model的策略优化：想象空间中的RL、数据增强、规划辅助控制 5. 与主线训练和下游应用团队协作，定义并落地World Model的机器人价值 1. 扎实的强化学习或机器人学习基础，理解策略学习和模仿学习原理 2. 熟悉视觉-语言-动作（VLA）模型架构和训练方法 3. 精通PyTorch，有Transformer模型训练和微调经验 4. 有机器人仿真或真实机器人实验经验优先 加分项： 1. 有顶会（RSS/CoRL/ICRA/NeurIPS）机器人学习相关论文发表 2. 熟悉World Model与策略结合的各类范式（IDM、Dreamer、World Model as Policy等） 3. 有多机器人本体泛化、跨平台迁移相关经验 4. 理解Diffusion Policy、Flow Matching Policy等生成式策略方法