阿里巴巴日常实习生-视频世界模型-未来生活实验室
任职要求
1. 计算机、人工智能、自动化等相关专业。
2. 在多模态大模型和生成式模型（扩散/自回归模型）上有资深背景，对前沿进展和领域问题有深入理解。
3. 具有主…工作职责
1. 负责研发大规模世界模型，提升模型对真实世界动态变化的建模能力。 2. 研究可规模化的世界模型架构，解决世界模型在长程预测中的物理一致性问题和长期记忆等问题。 3. 构建世界模型数据体系，探索世界模型在参数与数据规模上的 Scaling Laws。 4. 构建可交互的世界模型系统，并推动技术在实际产品中的落地。
1. 参与实时交互视频世界模型的算法研发，支持大规模视频模型的预训练与推理。 2. 搭建并优化端到端数据管线与部署架构，突破延迟瓶颈，提升系统实时性。 3. 跟进实时视觉生成前沿技术，推动创新技术产品化。
岗位职责 1. VLA / 行为模型研发 - 参与或主导面向自动驾驶场景的 VLA / 行为大模型设计与训练； - 融合感知、语言指令、地图/结构信息与历史时序状态，输出安全、稳定且具备“驾驶风格”的行为决策； - 探索模仿学习、强化学习与大模型训练范式的结合，推动一段式 / 端到端能力落地。 2. 世界模型与时序建模 - 研发具备时空一致性的世界模型（World Model），用于环境建模、未来预测与策略评估； - 结合 Diffusion / 自回归等生成式模型，提升复杂交通场景下的多模态预测与不确定性建模能力； - 支撑端到端模型在长时序、复杂交互场景中的稳定性与泛化能力。
我们是高德视觉技术中心，专注于以计算机视觉技术为核心的前沿研究与创新应用，致力于打造时空互联网领域的核心技术能力。 我们致力于构建 “真实世界 × 虚拟世界” 的生成式世界模型，引领多模态 AI 赋能智慧出行和日常生活。团队成员参与端到端 3D+视频+语言 大模型的研发，与阿里云算力、十亿级全域图像 / 点云 / 出行数据深度结合，让算法在真实应用中产生即时经济价值与社会影响力。 团队主页：https://github.com/amap-cvlab 岗位职责： 1. 核心算法研发：主导 1B-100B 参数级世界模型 / VLA / VLM 网络的整体方案与关键模块创新； 2. 高效预训练与微调：构建跨模态自监督目标（时序一致性、物理一致性、语言对齐等），并推动 SFT → DPO → RL-HF 全链路落地上线； 3. 跨模态推理与生成：针对 3D 场景、连续视频、语言描述开展对齐、生成与评估实验，推动端到端模型落地。创新3D场景/连续视频/交互策略/语言描述等跨多种模态的端到端理解与生成； 4. 产线落地与性能优化：与地图引擎、自动驾驶、智能导航等业务协同，迭代模型压缩、Edge-Cloud 混合部署、隐私数据训练； 5. 技术沉淀与传播：完成技术调研、实验复现、消融与报告撰写，将成果转化为论文、专利等技术沉淀。