工作职责：

- 基于Diffusion模型、Flow Matching等生成式架构，研发多模态轨迹预测算法，提升在复杂交互场景（cut-in、无保护左转等）下的预测多样性与准确性；
- 参与端到端（End-to-End）驾驶策略网络的搭建，结合 imitation learning 与强化学习（RLHF、DPO、World Model-based RL）优化驾驶行为的鲁棒性与舒适性；
- 参与Vision-Language-Action模型的设计与训练，探索利用多模态大语言模型（MLLM）进行场景理解、常识推理，并直接输出可执行的轨迹或控制信号；
- 参与基于世界模型的驾驶环境建模，利用生成式模型进行未来场景推演（predictive simulation），支持数据增强与闭环训练；

任职资格：

- 熟练使用AI编程工具（Cursor、WindSurf、GitHub Copilot、Kimi等）进行高效开发，能够快速借助AI理解复杂代码库（如diffusers、rllib、gpudrive等）、实现算法原型、 debug分布式训练代码，并具备批判性思维审查AI生成代码的正确性与效率；
- 扎实的Python/C++基础，精通PyTorch，熟悉深度学习训练 pipeline（数据加载、分布式训练、模型评估），具备良好的代码规范与Git协作习惯；
- 熟悉生成式模型（Diffusion Models、VAE、GAN）或强化学习（PPO、SAC、Offline RL、Model-Based RL）的基本原理，了解轨迹预测、行为规划或自动驾驶决策的经典方法；
- 对端到端自动驾驶（如UniAD、VAD、FusionAD）、VLA架构（如DriveVLM、EMMA、LLaDA）有浓厚兴趣，具备阅读顶会论文（CoRL、NeurIPS、ICML、CVPR）并快速复现的能力；
- 有轨迹预测（motion forecasting）、博弈论（game-theoretic planning）、或端到端驾驶项目经验者优先；
- 有VLA/VLM模型训练经验，熟悉多模态数据对齐（Alignment）、视觉指令微调（Visual Instruction Tuning）者优先；
- 有ACM/ICPC、Kaggle、或自动驾驶算法竞赛（如Waymo Open Dataset Challenges）获奖经历者优先；
- 在CVPR/ICCV/ECCV/NeurIPS等会议或期刊上发表过相关论文、熟悉自动驾驶仿真工具的同学优先；