OPPO高级机器学习算法工程师（融合感知方向）-博士

1. 具身智能大模型研究与优化 (1) 研究和构建具身智能大模型（Embodied Foundation Models）与机器人大脑。 (2) 探索语言、视觉、动作等多模态融合机制（VLM / VLA / VLA-Agent）。 (3) 优化模型的长时记忆、推理能力与可泛化性。 2. 机器人智能算法研发 (1) 设计和实现机器人多模态感知、导航、操作、交互等核心算法模块。 (2) 推进大模型驱动的机器人任务规划与决策。 (3) 基于模拟器与真实世界数据，进行大规模对齐与强化学习（Sim2Real, RLHF, Imitation Learning）。 3. 系统落地与协同研发 (1) 与硬件与系统团队协作，推动模型算法在真实机器人平台上的部署与性能调优。 (2) 支撑具身智能大模型的云端训练体系、数据闭环与MLOps工程。 (3) 发表高水平论文或申请相关专利，推动业界与学界前沿研究。

我们是滴滴网约车的安全技术团队，致力于打造世界顶尖的智能出行平台。我们不断探索机器学习等前沿技术，基于海量的出行数据和丰富的业务场景，进行出行生态算法优化与体系搭建。我们强调数据驱动和业务价值，真正在解决人们出行过程中的真实问题，保障司乘的出行体验与安全，引领出行行业变革与发展。 工作职责具体包括： 1.负责出行生态安全场景的算法优化与体系搭建，包括但不限于司乘行程人身安全，司机线上线下的安全群体事件等； 2.运用机器学习、统计学、大模型等专业知识，不断优化海量订单的风险识别策略； 3.基于深刻的业务理解和case分析，不断挖掘和提升多模态的底层元能力； 4.构建高效的策略系统和评估体系，解决实际问题的同时沉淀高效的智能决策系统。 技术挑战/吸引点： 1.有技术挑战：极小样本的问题，每天需要从海量订单中排查出极少的风险订单，需要成体系的策略和模型建设。 2.有技术宽度：技术比较宽，有视频、音频、文本、轨迹，也有订单和司乘画像等结构化信息，既是天然的多模态感知和融合的场景，也需要传统的机器学习、深度学习、策略设计，技术宽度非常宽，技术抓手比较丰富。 3.有技术深度：有丰富的多模态数据，是天然适合大模型的应用场景，在通过大模型建设基础能力和端到端的识别能力上有深度的探索。

我们致力于打造银行信贷领域的新一代“智能决策大脑”。我们以行业与产业研究为锚点，以数据智能为引擎，深度融合资深信贷专家的经验与海量异构数据洞察，构建面向信贷全生命周期的领域专属决策大模型。 1.主导信贷大模型的后训练体系：通过有监督微调（SFT）、奖励模型（RM）训练、人类反馈强化学习（RLHF）、直接偏好优化（DPO）等领域领先技术，让模型不仅“会回答”，更能“可解释、答得准、判得稳、符合专家直觉”，实现与信贷业务目标的深度对齐。 2.构建垂直领域智能Agent系统的能力：能主导信贷场景下Intelligent Agent的核心框架设计，融合感知、规划、执行与持续学习机制，并通过知识图谱、RAG、NL2SQL等技术打通非结构化知识、结构化数据与自然语言交互，实现从行业洞察、风险画像到决策支持的端到端自动化。 3.打造高质量领域数据飞轮：从零构建面向信贷场景的指令与偏好数据集，设计数据配比、清洗、增强与合成策略，持续提升数据效率与泛化能力——因为你知道，好模型的背后，是更聪明的数据。 4.建立科学严谨的评估体系：构建覆盖准确性、逻辑一致性、风险敏感度、幻觉控制等多维度的自动化评测 pipeline，用数据驱动模型迭代，确保每一个版本都比上一个更可靠、更可用。 5.站在AI+金融的最前沿：紧密跟踪全球大模型的最新进展（如新型偏好学习、多Agent协作等），快速将学术突破转化为业务生产力，解决真实世界中复杂、高 stakes 的信贷决策挑战。同时将领域化的研究转化为高质量的顶会论文，形成持续学术影响力。

1. 负责研发面向云台智能运镜场景的NN算法，实现感知、路径规划与云台控制的深度融合； 2. 负责构建云台数据集，设计数据标注策略以及仿真训练系统，优化提升云台系统的性能； 3. 负责网络资源小型化，并部署应用在终端产品； 4. 持续关注跟踪泛机器人以及端到端领域的前沿技术进展，进行技术对标以及原型验证工作。