明星AI初创诚聘世界模型算法工程师(全职/实习)
【关于我们】
Manifold AI 流形空间 成立3个月获亿元级融资,中国学术界最早系统布局世界模型的实验室&工业界最早落地世界模型的团队。您也可以通过以下链接深入了解我们的技术愿景: https://mp.weixin.qq.com/s/WW4fOX6CmmbVWssxch_wMA
【工作地点】北上深
【职位描述】*特别优秀者可远程实习
1. 世界模型研发与优化:负责研发和优化世界模型算法,构建机器人的环境感知、状态预测和决策规划能力,提升机器人在复杂环境中的自主决策和适应性;
2. 多模态数据融合:开发适用于机器人端到端操作的多模态世界模型,整合视觉、语言、触觉等多模态信息,构建统一的环境表征和动态预测模型;
3. 时空特征学习:设计和优化机器人视频表征学习方法,从多模态数据中提取有效的时空特征表示,提升机器人的视觉空间推理和环境理解能力;
4. 强化学习与仿真:研究基于世界模型的机器人强化学习技术,开发高效的仿真环境,提升机器人在现实世界中的学习效率和泛化能力;
5. 技术前沿跟踪:跟踪世界模型、多模态学习、机器人学等领域的最新研究进展,推动技术创新和产业化应用落地。
【职位要求】
1. 专业背景:具有计算机视觉、人工智能、机器人学、认知科学等相关专业背景或相关行业工作经验;
2. 编程能力:熟练掌握主流深度学习框架(如PyTorch、JAX),具备优秀的编程能力和代码工程化经验;
3. 模型理解:对世界模型、生成模型(如Diffusion、GAN、Flow、Transformer等)有深入理解,有大规模模型训练经验,熟悉相关评测方法和基准测试;
4. 表征学习:熟悉多模态表征学习方法,能够从视频、图像、文本等数据中提取有效的特征表示,具备时序建模和动态预测经验;
5. 机器人技术:了解机器人端到端操作模型(如ACT、Diffusion Policy、OpenVLA、RT-2、pi0等)及视觉-语言-导航大模型的前沿进展;
6. 强化学习:具备机器人强化学习技术经验,有真实环境下的实施和优化经验,熟悉仿真到现实的迁移学习;
7. 分布式训练:具备大规模分布式训练经验,能够处理海量多模态数据和大型模型,熟悉模型并行和数据并行技术;
8. 学术背景:在ICML、NeurIPS、ICLR、ICCV、CVPR、CoRL等会议发表论文,或在ACM等程序设计竞赛中获奖者优先考虑;
9. 个人素质:具有强烈的技术热情、创新思维和持续学习能力,能够独立思考和解决复杂技术问题。
期权+24%公积金+商保+高薪实习
投递邮箱:roy_intern@manifoldai.cn并抄送hr@manifoldai.cn , pdf简历命名:世界模型算法工程师-姓名
相关推荐
好用免费猴PDM查阅器v1.7
# 好用免费猴PDM查阅器 一个用 Python 写的 **PowerDesigner `.pdm` 模型阅读器**:不用装 PowerDesigner,双击就能把 `.pdm` 里的表、字段、主键、索引、外键、注释全部摊开看,任意内容可直接复制,并一键导出 Excel / HTML / Markdown / 建表 DDL。 - **v1.7**:彻底修掉「再点表就覆盖已打开的 sheet」——已打开的表单独记成一份标签列表,和左侧「选中」不再共用状态,**筛选框找表后再点,永远是新开一个标签、绝不动已有的**;已打开的表在清单里显示为**绿色**,再点它是「切回那个标签」,`Ctrl`+单击才关掉 - **v1.6**:左侧清单**点一下就打开**(不用再按 Ctrl / Shift);启动默认进「标签页切换」;标签页开着 5 张以上时切「并排分屏」会自动弹窗让你挑要保留的 4 张 - **v1.5**:两种多表视图 ——「并排分屏」(≤4 栏,窄栏也显示全部列,Shift+滚轮 / 中键拖动可横向滚动)+「标签页切换」(像 Excel sheet 一样一个表一个标签,最多 12 个,看另一张表时其余自动隐藏);exe 图标改用 Windows 原生多尺寸设置,标题栏/任务栏不再被拉伸糊掉 - **v1.4**:多表分屏 —— 左侧按住 Ctrl / Shift 多选表,右侧每张表开一个独立面板并排展示(最多 4 个,各栏自动等宽),超了会弹窗让你自己挑;exe 换成新的像素猴子图标 - **v1.3**:打开过的文件会被记住,下次启动自动载入同一批模型并回到上次查看的表,不用每次重新选 - **v1.2**:新增程序内复制(任意表格框选 → Ctrl+C / 右键复制,支持 Tab 分隔与 Markdown) - 单文件实现,`pdm_viewer.py` 一个文件
用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)
内容概要:本文围绕“用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究”展开,系统阐述了卡尔曼滤波在动态系统状态估计中的核心作用,重点探讨了最优增益的递推计算方法与基于最小均方误差准则的状态更新机制。研究内容涵盖线性系统状态估计的完整流程,包括状态预测、协方差传播、创新计算、卡尔曼增益求解及状态校正等关键步骤,并通过Matlab代码实现了算法的仿真验证,展示了其在噪声环境下对系统状态进行高精度跟踪的有效性。文中不仅强调理论推导,还注重工程实现细节,帮助读者深入理解卡尔曼滤波的数学本质与自适应特性。; 适合人群:具备线性代数、概率统计及控制理论基础知识,熟悉Matlab编程语言,从事自动化、电子信息、通信工程、导航制导、信号处理、物联网或智能系统研发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于传感器数据融合、目标跟踪、惯性导航(如GNSS/INS组合导航)、工业过程监控等存在噪声干扰的状态估计任务;②帮助读者掌握卡尔曼滤波从数学建模到代码实现的全过程,深入理解MMSE估计原理及其在提升系统鲁棒性与精度方面的关键作用;③为后续学习非线性滤波算法(如扩展卡尔曼EKF、无迹卡尔曼UKF)以及更复杂的多传感器融合架构奠定坚实的理论与实践基础。; 阅读建议:建议读者结合提供的Matlab代码逐行调试运行,重点关注预测与更新过程中各矩阵的维度变化与数值演化,尝试调整过程噪声与观测噪声的协方差参数,观察其对滤波收敛速度、估计精度及卡尔曼增益自适应调节的影响,从而深刻领会滤波器的设计思想与调参技巧。
适合政府进行产业链技术缺口识别的分析工具有哪些?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
Hybrid Mount
杂交挂载元模块 Hybrid Mount Metamodule
【储能选址定容】基于多目标粒子群算法的配电网储能选址定容(Matlab代码实现)
内容概要:本文系统阐述了基于多目标粒子群算法(MOPSO)的配电网储能选址定容优化方法,旨在科学解决储能系统在配电网络中的最佳安装位置与容量配置问题。研究构建了一个综合考虑网损最小化、电压偏差改善和投资成本节约的多目标优化模型,并采用改进的多目标粒子群算法进行高效求解,获得一组代表不同权衡关系的Pareto最优解集,进而结合模糊决策等多属性决策方法从中遴选出最理想的折衷方案。文中详细剖析了算法的核心原理、数学建削过程及求解策略,并提供了完整的Matlab代码实现,通过在标准IEEE测试系统上的仿真实验,充分验证了该方法在提升配电网运行经济性、改善电能质量及增强系统综合效益方面的有效性与优越性。; 适合人群:具备电力系统分析、优化算法基础知识的研究生、科研人员及从事电网规划、储能系统设计与运行的工程技术人员。; 使用场景及目标:①研究配电网中储能系统的科学规划与优化配置方法;②深入学习多目标优化算法在电力系统规划领域的实际应用与实现技巧;③掌握基于Matlab平台的电力系统仿真建模与优化编程能力,为相关课题研究提供技术支持。; 阅读建议:在阅读时应重点关注多目标优化模型的构建逻辑、粒子群算法的改进机制及其在电力系统约束处理上的实现细节,建议结合提供的Matlab代码进行逐行调试与复现,通过调整系统参数、约束条件和权重系数等方式,深入探究算法的性能表现和优化结果的变化规律,以达到融会贯通的学习效果。


