R-Star｜黎曼动力在校研究实习生招募计划

黎曼动力（Riemann Dynamics） 正式启动 R-Star 在校研究实习生招募计划，面向全球高校招募在 具身智能、世界模型、大模型预训练与后训练 等方向具备研究潜力的优秀在校本科生、硕士研究生、博士研究生。

使命愿景：定义新范式 · 探索 Scaling · 打造通用具身智能大脑
我们致力于构建可泛化、可规划、可闭环执行的通用具身基础模型，推动具身智能从任务专用走向通用基础，从有限示教走向大规模经验学习，从短时动作生成走向长期自主决策。

🔍 核心研究方向

01｜大规模具身预训练（Embodied Pre-training）

探索如何从海量人类第一人称（Ego-centric）交互视频中学习可迁移的世界知识与交互能力，突破对本体数据与人工示教的依赖。
重点方向包括：

• Ego-centric Video Pre-training：大规模第一人称视频表征学习与生成式预训练
• Action Representation Learning：潜在动作表征、动作推断及人类交互数据的动作监督构建
• World Dynamics Learning：学习动作、物体状态与环境变化之间的时序关系
• Cross-Embodiment Transfer：人类交互知识与机器人动作空间的对齐与迁移
• Data Scaling：探索数据规模、质量、多样性与模型能力之间的关系

02｜统一世界模型与动作模型（World Action Models）

构建将世界状态演化预测与动作决策相结合的统一生成式建模框架，实现“预测未来 + 生成可执行动作”的一体化能力。
重点方向包括：

• Joint Video-Action Modeling：联合建模视觉观测、动作与环境状态演化
• Causal World Modeling：面向交互决策的因果时序建模与动作条件预测
• Generative Model Architectures：探索 Diffusion、Autoregressive 及混合生成架构
• Memory & Long-horizon Modeling：长时序记忆、状态一致性与历史信息利用
• Goal-conditioned Generation：目标驱动的动作生成、预测与闭环规划

03｜具身后训练与强化学习（Embodied Post-training）

研究如何将大规模预训练获得的通用表征与世界知识，转化为真实环境下可执行、可泛化的机器人策略。
重点方向包括：

• Embodied SFT：基于高质量机器人轨迹与任务数据的监督微调
• Offline / Online Reinforcement Learning：利用离线经验与真实交互反馈优化策略
• World Model-guided Policy Learning：利用预测模型辅助策略学习与规划
• Long-horizon Planning：面向复杂长时序任务的记忆、规划与滚动决策
• Policy Generalization：跨任务、跨环境的迁移能力，以及失败恢复与鲁棒性提升

04｜具身智能 Scaling Laws

系统研究具身基础模型的能力如何随数据规模、模型规模、训练计算量及交互经验扩展，寻找可验证、可复现的 Scaling 规律。
重点方向包括：

• Data / Model / Compute Scaling：建立模型能力与关键资源规模之间的经验关系
• Pre-training & Post-training Scaling：研究预训练与后训练资源配置及其相互影响
• Generalization & Emergent Capabilities：研究复杂技能、长程能力与跨任务迁移是否呈现新的扩展规律
• Training & Inference Efficiency：大规模分布式训练、高效推理与计算优化
• Evaluation：建立覆盖真实任务成功率、泛化能力、长时序稳定性和交互效率的评测体系

🌟 我们期待你

• 身份要求：在校本科生 / 硕士研究生 / 博士研究生（计算机、人工智能、自动化、数学、统计等相关专业）
• 核心特质：研究潜力｜原创思考｜解决复杂问题的能力（不唯论文、不唯年级、不唯学历）
• 能力基础：
• 扎实的数学与算法基础
• 良好的工程实践能力（能提出问题、设计实验、推进验证）
• 对具身智能、世界模型、大模型预/后训练、生成式模型或强化学习有研究积累或浓厚兴趣
• 优先考虑：有高水平论文、开源项目或大规模模型训练经验者（非必要条件）
• 实习要求：每周可实习 ≥4 天，持续 ≥3 个月；长期、线下实习者优先

💡 你将会获得

• ✅ 参与前沿研究：围绕通用具身基础模型，探索具有长期价值的原创问题
• ✅ 挑战大规模模型训练：全流程参与数据构建、模型设计、预训练、后训练
• ✅ 解决真实世界问题：推动成果落地至真实交互任务与物理环境验证
• ✅ 开展开放学术研究：在合规前提下支持高质量论文发表与开源贡献
• ✅ 与核心团队协作：高密度技术交流，共同攻克具身智能关键难题
• ✅ 实习转正通道：表现优异者可获全职 Offer 或博士联合培养机会

🧾 招募岗位

研究实习生（R-Star Research Intern）

• 面向对象：在校本科生 / 硕士研究生 / 博士研究生
• 实习方向：
• 大规模具身预训练
• 世界动作模型
• 具身后训练与强化学习
• 具身智能 Scaling Laws
• 工作地点：北京 & 上海（可协商远程实习比例）
• 实习补贴：具有行业竞争力，具体面议

📬 申请方式

投递邮箱：hr@riemanndynamics.ai
邮件标题格式（请严格按此格式）：
R-Star实习申请-学校-姓名-研究方向-可到岗时间

需附材料：

• 个人简历（含在读院校、专业、年级、预计毕业时间）
• 代表性研究成果（如论文、GitHub 项目、技术博客、模型训练记录等），用于体现研究与工程能力

Scale Intelligence. Model the World. Act in Reality.
从海量人类经验中学习世界，从世界建模走向自主行动。
我们希望构建的，不只是一个完成特定任务的机器人策略，而是一个能够持续学习、理解交互规律、进行长期规划，并在真实世界中泛化的——通用具身智能大脑。

加入黎曼动力 R-Star，一起探索具身智能的下一个 Scaling 时代。

RIEMANN DYNAMICS
Physical AI · World Model × Robot Action