具身RSI系统研究实习生

AI 摘要智能生成

这套系统从闭环设计到真实落地的核心探索

职位描述

团队概述 我们聚焦物流场景中最具挑战性的分拣任务，通过构建通用 agent harness，将大模型的规划、推理与代码能力迁移到真实分拣作业中，并结合数据飞轮、模型适配与后训练、评测与实验，打造面向物流场景的具身自进化系统。你将参与这套系统从闭环设计到真实落地的核心探索，重点研究通用 harness 闭环与 VLA / World Action Model（WAM）的结合。 职位职责 1. 设计并探索面向具身系统的自改进闭环：围绕分拣任务，打通执行、自动评估、失败诊断（抓取失败、碰撞、放置偏差、超时等）、改进方案自动生成、回归验证与合入或回滚决策。 2. 探索通用 harness 闭环与 VLA / WAM 的结合：将 VLA 封装为可替换的标准执行接口；探索 VLA 作为执行器、自评估信号源、候选动作提议器和后训练对象四种角色的可行性，并评估延迟预算与控制权交接协议。 3. 构建数据飞轮与模型适配：将闭环轨迹自动筛选、标注、入库，用于 VLA / WAM 后训练；建立失败归因机制，判断改进应落在 harness 层还是模型层，并验证多轮迭代的成功率提升。

任职要求

• 职位要求
• 计算机、自动化、机器人、人工智能等相关专业在读硕士或博士，优秀本科生亦可
• 熟练使用 Python 与 PyTorch，具备扎实的工程能力，能独立完成实验搭建与代码调试
• 了解具身智能或机器人学习的基本范式（模仿学习、强化学习、VLA 等），熟悉至少一种仿真环境（Isaac Lab、ManiSkill、LIBERO、RoboCasa 等）
• 能快速阅读并复现前沿论文，对 agent harness、自改进系统等方向有持续热情
• 具备良好的沟通与协作能力，能清晰汇报实验设计与结果
• 每周实习 4 天以上，可持续 6 个月以上者优先
• 加分项
• 有 VLA（π
• OpenVLA、GR00T 等）或 World Action Model 的训练、微调或部署经验
• 有 coding agent 或 agent harness 的开发经验（Claude Agent SDK、OpenHands、SWE-agent 等）
• 有真机操作经验（机械臂抓取、视觉伺服、ROS 2），或物流、工业分拣场景经验
• 熟悉 LeRobot 数据格式与大规模机器人数据管线
• 在 CoRL、RSS、ICRA、NeurIPS、ICLR 等会议发表过论文，或有高质量开源项目