1.数据管线设计与搭建：围绕具身大模型（VLM / VLA / 世界模型）的训练需求，搭建端到端数据管线（采集 → 清洗 → 标注 → 配比 → 质检 → 训练就绪），保证可扩展、可复现、高吞吐。 2.多源数据融合与治理：对接真机遥操、仿真、互联网视频、轨迹等多源异构数据，统一 schema、做格式归一化、字段对齐与去重脱敏，建立可追溯的数据资产。 3.数据配方与质量体系：配合算法团队设计数据配比（task / embodiment / scene / skill 的采样策略），建设数据质量评估与过滤机制（覆盖率、长尾、污染检测、OOD 过滤等），持续把控训练集/评测集质量。 4.评测与基准建设：构建和维护具身相关评测基准（仿真 + 真机），负责评测数据的版本管理、回灌分析与可视化，支撑算法迭代决策。5.工5.程效率与稳定性：负责大规模数据的存储、索引、加速 IO（webdataset / tfrecord / mcap / parquet 等），优化数据加载链路与训练吞吐，支撑分布式训练下的数据供给。 6.跨团队协作：与算法、仿真、机器人系统团队紧密协作，把数据需求转化为可落地的工程方案，推动数据闭环持续运转。
1.本科及以上学历，计算机 / 自动化 / 机器人 / 机器学习等相关专业，2–5 年数据工程或数据相关开发经验。 2.扎实的工程能力：精通 Python，熟悉 SQL / Shell，熟练使用一种以上主流数据工程工具（Airflow / Spark / Ray / Dask / Beam 等）。 3.数据管线搭建经验（核心要求）：有大规模数据管线的设计、实现与维护经验，熟悉 ETL / 数据湖 / 数据仓库基本理念，能独立 owner 一条端到端数据链路。 4. 熟悉常见数据存储与序列化格式（Parquet / TFRecord / WebDataset / HDF5 / Protobuf / ROS bag / MCAP 等），理解不同格式在训练场景下的取舍。 5.了解主流深度学习训练框架（PyTorch / Jax）数据加载链路，能配合算法团队优化 DataLoader、采样器、sharding 策略与缓存机制。 6.具备良好的工程素养：版本管理、监控告警、CI/CD、可观测性、文档沉淀，能在多人协作下保证管线稳定迭代。
相关岗位