岗位职责
- 设计 CUA 评测任务与轨迹级评分体系（GUI grounding、任务规划、多步操作、长程任务成功率等），定位模型失败模式（误点击、幻觉操作、状态误判、循环卡死等）。对标并扩展业界 benchmark：OSWorld、WebArena / VisualWebArena、AndroidWorld、ScreenSpot-Pro等，并维护内部私有测试集防污染。
- 针对短板设计操作轨迹合成、环境（沙箱 OS / 浏览器 / 移动端 / 专业软件）合成、拒绝采样等方案，产出高质量训练数据。
- 主导 SFT / RL 训练消化数据，用评测复测验证短板是否被优化，推动闭环持续迭代。
职位要求
- 硕士及以上，计算机 / AI 相关专业；3 年以上大模型相关研发经验，或具备高质量论文 / 开源成果（不唯年限，重在深度）。
- 熟悉 Agent 训练、工具调用（tool use / function calling）、多模态（尤其视觉 - GUI 理解与 grounding），了解强化学习与奖励建模。
- 熟悉主流 Computer-Use / GUI Agent benchmark（OSWorld、WebArena / VisualWebArena、AndroidWorld、ScreenSpot-Pro 等）及其执行式评测方法与局限。
- 熟悉浏览器自动化（Playwright / Selenium）、虚拟化 / 容器化环境（Docker、虚拟机、Android 模拟器等），能支撑真实环境的评测与合成。
- 扎实的 Python / PyTorch 工程能力，熟悉分布式训练与大规模可复现实验管线。
- 能独立定义评测方案、拆解短板并推动"评测—数据—训练"闭环落地，具备跨团队协作与技术引领能力。 加分项
- 有 GUI / Computer-Use Agent 的评测、数据合成或训练闭环经验；参与过相关 benchmark 建设；相关顶会论文或有影响力的开源项目。
