岗位职责
- 设计世界模型评测任务与指标，区分"视觉逼真"与"真正的世界建模能力"（业界已证实二者可脱钩）：覆盖物理规律遵循（physics adherence，如质量/动量守恒、流体、光学、力学）、时序与长程一致性、指令可控性、动作条件下的状态演化预测，以及作为可交互环境的稳定性；兼顾生成质量与对下游规划 / 决策的功能有效性。对标并扩展业界 benchmark：Physics-IQ、WorldModelBench、GameNGen 类交互式世界等。定位失败模式（物理违背、状态漂移、长时序崩坏、幻觉物体、物体尺寸/守恒违规等）。
- 针对短板设计数据合成与生成式仿真环境合成（generative simulation，如 RoboGen / Cosmos 式自动生成任务、场景、物理配置）方案，增强模型对物理规律、因果关系、空间 / 物体持久性的建模。
- 主导世界模型训练消化数据，用评测复测验证优化效果，推动闭环持续迭代。
职位要求
- 硕士及以上，计算机视觉 / 机器学习 / 机器人等相关专业；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）。
- 熟悉世界模型 / 视频生成 / 视频预测 / 具身智能相关技术（diffusion、autoregressive video、latent dynamics model、video tokenizer、VLA 等），了解 Cosmos / GameNGen / Genie 类世界模型的思路。
- 理解物理仿真与强化学习环境（MuJoCo、Isaac 及各类 game / robotics 仿真），能支撑生成式环境合成。
- 熟悉视觉 / 视频质量指标（FVD、PSNR、SSIM 等）及其局限（视觉指标无法反映物理理解），能设计更贴合"世界模型有效性"的物理与功能性评测（对标 Physics-IQ、WorldModelBench 等）。
- 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
- 有世界模型、视频生成、具身智能 / Physical AI 相关顶会论文或开源贡献；熟悉规划算法（MPC、model-based RL）与世界模型的结合，或世界模型在机器人 / 自动驾驶的落地评测。
