阿里巴巴研究型实习生-具身智能前沿技术研究
任职要求
1. 计算机、控制、机器人、自动化等相关专业在读博士/硕士。 2. 对具身智能有系统性理解，对至少一个相关子方向（VLA、强化学习、运动控制、遥操作等）有深入兴趣与实践积累。 3. 熟练掌握 PyTorch，具备独立完成真机搭建、模型训练、调参与复现的能力。 4. 具备扎实的代码能力与科研执行力，能够快速阅读论文、定位问题并推进实验闭环。 5. 具备良好的沟通协作能力与主动学习能力，实习期不少于 6 个月，每周可投入 4 天及以上优先。 加分…
工作职责
参与具身基座模型前沿研究与系统验证，推动研究成果在真实机器人场景中的落地与开源影响力建设。 1. 参与具身智能大模型方向技术算法研究，包括但不限于实现人形机器人，移动操作机器人等本体上VLA模型框架设计、训练优化、数据采集与真机评测。 2. 跟踪并复现具身智能方向最新研究进展，做高质量的研究，形成高质量技术报告。 3. 参与算法框架，数据管线开发、实验平台维护与研究原型实现，协同工程团队推进真机验证。 4. 参与开源项目整理与结果展示，支持论文实验复现与公开基准评测。
我们是Token Foundry - 多模态交互团队，正在寻找对具身智能与数字人前沿交叉领域充满热情的研究型实习生。本项目在团队在生成理解一体化方面的坚实基础，共同构建下一代具身智能与多模态数字人大模型，进一步打通“感知-理解-生成-执行”全链路，在统一架构下探索环境理解、行为生成与多模态交互的深度协同。 你将参与如下关键方向： 1. 设计并实现支持自然语言指令到连续动作序列端到端控制的生成理解一体化具身基础模型； 2. 构建能响应语音、文本、视觉等全模态输入，实时高质量数字人生成大模型； 3. 开发融合真实与仿真数据的千万级多模态具身训练平台； 4. 优化模型推理效率，推动大模型在机器人端侧或实时交互场景中的部署。 优秀成果可形成专利/论文，或发布ModelScope开源社区
我们是通义实验室多模态交互团队，正在寻找对具身智能与数字人前沿交叉领域充满热情的研究型实习生。本项目在团队在生成理解一体化方面的坚实基础（如Z-Image等代表性工作），共同构建下一代具身智能与多模态数字人大模型，进一步打通“感知-理解-生成-执行”全链路，在统一架构下探索环境理解、行为生成与多模态交互的深度协同。 你将参与如下关键方向： 1. 设计并实现支持自然语言指令到连续动作序列端到端控制的生成理解一体化具身基础模型； 2. 构建能响应语音、文本、视觉等全模态输入，实时高质量数字人生成大模型； 3. 开发融合真实与仿真数据的千万级多模态具身训练平台； 4. 优化模型推理效率，推动大模型在机器人端侧或实时交互场景中的部署。 优秀成果可形成专利/论文，或发布通义开源社区
VLA基础模型训练，包括但不限于： 1. 跨本体多技能预训练 2. VLA基础模型架构与预训练技术路线探索 3. VLA基础模型训练/推理加速 工作地点：杭州/北京，优先杭州
研究领域： 人工智能安全 项目简介： Sec-VLA（安全可验证的具身智能体） 将成物理世界与AGI融合的关键组成部分。其核心价值在于解决具身智能在开放环境中安全交互的终极挑战，以不伤害人为前提，建设测评体系，保护机制等。 具身智能技术的快速发展使得智能机器人广泛应用于工业生产、办公、家庭服务、医疗辅助等众多领域。这些机器人需要频繁地与真实物理环境、物品甚至人类进行互动。然而，现实场景中的交互复杂性与不确定性大幅增加了安全风险，典型如智能机器人可能意外损坏环境物品、自身出现物理损伤或引发人员安全事故。目前，学术界与产业界多采用规划算法的成功率或任务完成效率来评估智能系统性能，这种方式难以有效衡量和预警实际交互过程中出现的物理风险。一旦具身智能系统投入真实环境，这些潜在风险可能造成严重的财产损失或人员伤害。 在这样的背景下，本课题目标在于建立一种更全面、更前瞻性的风险评估框架（评估方法，任务&数据集，仿真环境等），以系统地识别和量化具身智能在各类应用场景的风险。基准需要考虑agent与环境的物理交互，而不局限在对agent planner and model的评估，从而提升评估结果的准确性。