LongCat - 具身算法工程前沿研究

在 LongCat 基座大模型团队，参与探索具身智能基础模型的架构和范式，从系统架构、数据策略、模型结构、训练策略等角度切入，参与算法研究、系统工程和数据工程，打造具有更强能力和更高潜力的基座模型。包括：
1. 多源数据的合成和处理，包括：egocentric video 数据、仿真数据、UMI 采集数据、真机遥操作数据等
2. 具身智能系统的架构设计，Agent 系统、大小脑和 Monitor 等多层次结构
3. 模型泛化性探索：无需额外训练实现跨本体多任务；基于少量演示数据作为上下文，增强模型能力；基于自动探索，在线学习新技能。
4. 模型全流程，预训练、mid train、SFT、强化学习、部署和评测等



同时参与具身智能方向的前沿研究，可根据个人背景和研究兴趣选择以下方向之一深入推进：
1. 具身智能模型、数据、训练方法和系统等相关的设计
2. 仿真环境内的轨迹自动化生成方法（数据引擎/合成数据）
3. egocentric video 数据的有效使用
4. 基于多模态大模型的泛化具身智能 Agent 系统研究
5. 模型泛化性研究和主动探索研究
6. 其他你坚信路线正确的具身智能前沿方向

1. 美团 LongCat 基座大模型的核心团队。有机会接触到前沿的多模态大模型算法方案和工程框架，技术氛围浓厚，团队重视前沿技术创新。
2. 我们正处于 AI 历史上最重要的拐点之一——世界模型与物理智能的融合。具身智能不是"给机器人装大脑"那么简单，它是解答"通用智能如何从数字世界走进物理世界"这个命题的核心路径。感知、决策、操作，每一步都需要重新定义 AI 与真实世界的交互方式。