• 数据管线开发与维护： 参与具身大模型（VLM / VLA / 世界模型）训练所需的端到端数据管线开发，负责数据采集、清洗、标注、质检等环节的代码实现与性能优化，保障管线的可扩展性与高吞吐。
• 多源数据处理： 参与对接真机遥操、仿真、互联网视频、轨迹等多源异构数据，完成格式归一化、字段对齐与去重脱敏等数据处理任务，协助建设可追溯的数据资产。
• 数据质量与过滤： 协助实现数据质量评估与过滤机制（覆盖率、长尾、污染检测、OOD 过滤等），参与训练集/评测集的质量监控工作。
• 分布式计算框架开发： 参与大规模数据处理中的分布式计算任务开发与优化，使用 Ray / Spark / Dask 等框架实现高效的数据并行处理、任务调度与资源管理。
• 数据存储与IO优化： 参与大规模数据的存储方案实施与 IO 加速优化（webdataset / tfrecord / mcap / parquet 等），协助优化数据加载链路以支撑分布式训练场景下的数据供给。
• 跨团队协作： 与算法、仿真、机器人系统团队紧密配合，将数据需求转化为可执行的工程实现，推动数据闭环的持续迭代。
• 本科及以上在读，计算机 / 自动化 / 机器人 / 机器学习等相关专业，能保证每周 4 天以上、持续 3 个月以上的实习时间。
• 扎实的工程能力（核心要求）： 精通 Python，熟悉 SQL / Shell，具备良好的编程习惯与系统设计能力，有独立完成工程项目开发的经验。
• 分布式计算框架经验（核心要求）： 有使用或参与开发分布式计算框架的经验（Ray / Spark / Dask / Beam 等），理解分布式任务调度、数据并行、故障恢复等核心概念，能独立完成分布式数据处理任务的开发与调试。
• 数据管线开发经验： 有大规模数据处理或 ETL 流水线开发经验，了解数据湖 / 数据仓库基本理念，能独立承担数据管线中特定环节的设计与实现。
• 熟悉常见数据存储与序列化格式（Parquet / TFRecord / WebDataset / HDF5 / Protobuf 等），理解不同格式的性能特点与适用场景。
• 良好的工程素养： 熟悉版本管理（Git）、基本的测试与 CI/CD 流程，具备良好的文档编写习惯，能在多人协作下高效完成开发任务。 加分项
• 有深度学习模型训练或微调经验（PyTorch / Jax），了解模型训练中的数据加载链路与常见优化手段（DataLoader、采样器、sharding 策略等）。
• 具备机器人真机或仿真数据经验（ROS / Isaac Sim / MuJoCo 等），了解机器人数据采集的基本流程。
• 有多模态数据（图像 / 视频 / 文本 / 轨迹）处理经验，了解 modality alignment 与 tokenization 的基本概念。
• 熟悉具身 / 机器人 / 智驾相关公开数据集（Open X-Embodiment、RT-1/RT-2、nuScenes 等）。 • 有开源项目贡献或数据工程相关工具开发经验。
• 对数据质量有敏锐度，了解数据污染检测、分布分析等基本方法。
相关岗位