招聘信息 - 智源研究院开放具身智能大模型研究员岗位 招聘形式包括社招、校招和实习 [1] - 岗位职责包括具身智能大模型研究开发、模型架构设计优化、前沿技术调研及应用探索 [4] - 要求计算机相关领域硕士学历 精通Python和深度学习框架 具备大模型研究及机器人控制经验 [4] 求职社区资源 - AutoRobo知识星球聚焦自动驾驶/具身智能求职 成员近1000人 涵盖多家头部企业员工及应届生 [6] - 社区提供面试题库、行业研报、谈薪技巧、内推资源及简历优化服务 [6][7][9][15][19][24] - 汇总自动驾驶/具身智能领域100问 涵盖传感器融合、标定、部署等核心技术点 [10][11][12] 行业研究资料 - 社区收录具身智能/机器人领域深度研报 包括技术路线、市场机遇及产业链分析 [15][16][17] - 重点报告涵盖中国具身智能创投、人形机器人量产硬件等方向 [16][17] 面试经验分享 - 整理多企业面经 包括滴滴、英伟达、小米汽车等算法岗及产品岗实战案例 [21][25] - 提供面试技能树梳理、转行经验及面试官建议等宏观指导 [26] - 汇总HR面常见问题及谈薪关键技巧 [24][30] 企业校招动态 - 字节跳动启动2026校招计划 覆盖大模型算法、多模态等方向 工作地含北京/上海/深圳 [8] - 开放实习岗位包括PyTorch框架研发、C++开发等技术岗 [8]

大模型行业竞争格局 - 大模型公司从两年前的资本追捧转向业务收缩和联创出走阶段，行业热度明显下滑[5] - DeepSeek爆火后进一步挤压其他大模型创业公司生存空间，连其R2发布进度也落后预期[5] - 当前行业焦点转向"大模型第一股"争夺战，主要竞争者包括MiniMax和智谱两家头部企业[6][12] MiniMax近期动态 - 7月28日WAIC大会上被投资人预测可能成为"中国基础大模型公司上市第一股"[6] - 创始人闫俊杰在WAIC主论坛作为唯二演讲嘉宾亮相，并与黄仁勋单独会面两小时引发关注[7] - 最新一轮融资近3亿美元，投后估值超40亿美元（约287亿元人民币）[8] - 6月初被曝赴港上市计划，同期密集发布开源模型MiniMax-M1等系列产品[8] - 2024年先后发布abab 6/6.5系列模型、视频生成大模型abab-video-1和音乐模型abab-music-1[25] 上市竞争态势 - 智谱4月已在北京证监局备案，计划2025年10月完成A股上市辅导[12] - MiniMax内部上市准备工作进度与智谱相当，但信息披露策略更保守[13] - 两家公司上市地点选择存在"烟雾弹"：智谱从A股转向港股传闻，MiniMax从港股转向A股传闻[14] - 行业普遍认为港股将成为两家公司首选上市地，时间点可能非常接近[14] 上市动机分析 - 头部公司现金储备充足：智谱累计融资超160亿人民币，MiniMax账上有超四年现金储备[14][15] - 二级市场"第一股"标签可带来高溢价和市场地位，如上纬新材15交易日获10倍涨幅案例[17] - 参考AI芯片领域寒武纪案例，先发上市企业可获得显著竞争优势[19] - 行业窗口期有限，投资人预判"国内大模型只能上一两家，绝大部分都要死的"[19] 公司背景与业务 - MiniMax成立于2021年底，创始人闫俊杰曾任商汤集团副总裁，技术路线为"模应一体"[22][24] - C端产品包括星野/Talkie、海螺AI等，覆盖内容创作、智能助手及娱乐应用领域[25] - 2024年技术发布密集：开源文本模型MiniMax-01系列、混合架构推理模型MiniMax-M1等[26] - 与智谱形成差异化定位：MiniMax侧重C端市场，被看作中国版xAI；智谱对标OpenAI主攻B端[27] 行业发展趋势 - 百川智能设2025年10亿营收上市目标，阶跃星辰今年营收预计突破10亿，Kimi也筹备上市[20] - 行业进入快速去泡沫阶段，估值普遍下降，上市成为确立市场地位关键手段[17] - 参考AI 1.0时代CV四小龙竞争史，商汤通过"流血上市"夺得"AI第一股"头衔[18]

岗位职责 - 负责具身智能大模型（VLA大模型或分层架构）的研究和开发 [3] - 设计并优化模型架构 完成数据处理 训练与真机部署工作 [3] - 调研具身智能领域前沿技术 跟踪业内大模型最新进展 探索技术应用可能性 [3] 职位要求 - 计算机科学 人工智能 机器人 自动化 数学等相关领域硕士及以上学历 [3] - 精通Python 具备深度学习基础 熟悉TensorFlow PyTorch等框架 [3] - 具备大模型研究经验 深入理解主流视觉与语言大模型 有预训练 微调 部署经验 [3] - 具备机器人控制经验 具身模型训练与部署经验者优先 [3] - 学习能力 英语水平 动手能力 团队协作能力优秀 [3] - 在机器人 NLP CV顶会发表论文者优先（RSS ICRA CVPR等）[3] 招聘范围 - 社招 校招 实习生岗位均开放 [3]

求职视频课程 - 提供小厂、大厂面试、秋招校招准备、公司选择等求职指导 [1] - 涵盖大模型、自动标注、端到端岗位介绍与分析 [1] - 针对算法岗竞争激烈现状提供行业、岗位、工作内容的教学视频 [1] AutoRobo知识星球 - 专注自动驾驶、机器人、大模型求职社区 成员近1000人 [4] - 成员包括智元机器人、地平线、华为、小米汽车等公司社招及2024/2025秋招学生 [4] - 提供面试题目、面经、行业研报、谈薪技巧、内推及简历优化服务 [4] 招聘信息 - 实时分享算法、开发、产品等校招、社招、实习岗位 [5] 面试资源 - 汇总自动驾驶、具身智能领域100问实战干货 [7] - 细分方向包括毫米波融合、BEV感知、轨迹预测等20+专题 [10] - 收录滴滴、英伟达、小米汽车等公司算法岗面经案例 [18][19] 行业研究 - 提供机器人、具身智能领域深度研报如《中国人形机器人发展蓝皮书》 [13][14] - 分析行业技术路线、发展前景及上下游产业链 [13] 求职辅助 - 整理成功与失败面试经验 覆盖社招、校招全流程 [16] - 包含岗位谈薪技巧、HR面问题汇总等实用内容 [22] - 提供转行心得、面试官建议等宏观视角分析 [21][22]

中国开源模型的崛起 - 中国开源模型如Kimi、Qwen、智谱GLM-4.5等近期密集发布，Hugging Face热门榜几乎被中国模型垄断[1][3] - 中国模型发展速度惊人，一旦模式被验证可行，中国擅长集中资源快速工程化实现[5][8] - 中国开源模型可能成为发展中国家的模型标准，尤其在"全球南方"市场占据优势[6][7] 中美AI竞争格局 - 大模型竞争已演变为中美之间的比拼，开源标准可能转向中国模型[3] - 美国如Meta等公司正加大投入，但中国在公私合作和资源投入方面更具优势[8][10] - 中国机构如清华大学已拥有先进语言模型，而美国部分高校资源相对不足[8][10] 模型训练与人才 - 不同机构间人才差异并不显著，模型好坏更多取决于资源利用效率[15][16] - 顶尖实验室内部普遍存在混乱，但关键在于能否产出有效模型[19][20] - 实验速度和基础设施比单纯追求"天才"更重要，需要重视团队协作价值[21][22] 模型评测与基准测试 - 当前更需要好的基准测试来评估模型能力，而非仅关注技术细节[3][24] - 制作高质量评测的门槛越来越高，但可能带来新的话语权[24][25] - 评测领域存在巨大蓝海机会，定义新任务不需要庞大算力[26] 强化学习与推理技术 - RL无法泛化到数学和代码之外的说法被夸大，这些领域只是更容易验证[32] - GSPO算法通过分组序列策略优化显著提升样本效率[28][29] - 模型推理研究进展有限，蒸馏小模型比RL更实用[27] 未来挑战与趋势 - 验证难度将越来越大，特别是在科学发现等复杂领域[36][37] - 智能体相关能力可能成为未来关键基准，参数规模扩张不再是主要路径[23] - 行业需要改变模型优势的传达方式，超越单纯基准测试分数[24]

具身智能行业发展现状 - 2023年WAIC大会具身智能参展公司数量显著增加，产品形态多样化，包括宇树铁甲拳王等敏捷型机器人[1] - 移动操作机器人应用场景扩展至服务和工业领域，但双臂系统在人工干预场景下仍存在认知障碍和鲁棒性问题[3] - 灵巧手技术取得进展，傲意科技等公司产品已实现触觉和力控方案标配化，市场出货表现良好[7] - 人形机器人自主决策能力仍处于初级阶段，医疗领域应用demo功能简单，多数产品依赖遥控操作[8] - 行业从demo展示转向产业闭环，技术路线呈现大模型融合趋势，30+公司推进全栈商业化进程[8][22] 技术发展动态 - 视觉-语言-动作(VLA)模型取得突破：SafeVLA成为首个安全架构，BridgeVLA实现32%真机性能提升[11] - 3D视觉定位技术TSP3D实现高效化，视触力觉融合框架RDP推动多模态感知发展[12] - 全球最大双臂机器人扩散大模型问世，GaussianProperty实现零样本物体材质重建[14] - 具身4D世界模型EnerVerse和空间智能框架HYPERmotion推动决策系统升级[13][14] - 异构操作系统EMOS和时空约束检测范式提升机器人系统可靠性[12][13] 产业生态建设 - 具身智能之心社区汇聚近200家机构，覆盖斯坦福、清华等高校和优必选、小米等企业[21][22] - 社区建立40+开源项目库和60+数据集，提供47类技术路线包括VLA、Diffusion Policy等[22][23] - 行业岗位需求集中在多模态大模型(40-80k/月)和强化学习方向，要求具备ICRA等顶会论文经验[15] - 建立覆盖零部件品牌、仿真平台、研报资料的产业数据库，汇总30+头部公司信息[28][35][43] - 形成高校-企业人才输送机制，提供岗位内推和项目对接服务，加速技术商业化[13][20] 技术应用方向 - 医疗康复领域展示认知障碍辅助demo，但替代护工功能仍需技术突破[8] - 工业场景移动操作双臂系统面临动态环境适应性挑战[3] - 仿真环境项目成为研究热点，Isaac Sim等平台支持无实物设备开发[78][79] - 导航领域应用视觉语言模型(VLN)，MapNav创新记忆表征方法提升性能[11] - 触觉感知技术形成完整技术路线，涵盖传感器应用和多模态算法集成[53][47]

一场人工智能大会（"2025世界人工智能大会"）掀起了科技领域的狂欢，背后却是新兴产业和产品的最 新排位。 在这场卡位战中，年初还以"百镜大战"之势席卷科技圈的智能眼镜却并未迎来井喷，迭代节奏和入局企 业数量都很克制，不少厂家还在观望用户反馈，期待小米、阿里这类玩家先行"教育"市场。而这些重量 级选手的到来和表现，让产业再次确认了此路可行。 消费方面，刚需用户和科技爱好者还是主力军。今年6月，明星刘宇宁就在出国拍摄时戴上了主打实时 翻译的智能眼镜。 而为了激发用户的购买意愿，厂商也玩出了不少"花活"，如Meta联名奢侈品牌Prada；老凤祥推出了适 老化AI（人工智能）眼镜；仁和药业旗下品牌推出了脑机智能眼镜等。 近日，北京智源人工智能研究院研究员、北京大学访问学者赵仲夏接受了《每日经济新闻》记者的电话 采访。他认为，智能眼镜是企业接入AI的重要端口，已经避无可避，其核心竞争要素是大模型能力， 同时需要围绕超级应用、AI入口等搭建完整的生态。玩家方面，赵仲夏认为未来三类公司有望挣得先 机：有大模型的公司，有AI应用入口的公司和有硬件生态的公司。在市场完全培育好之前，智能眼镜 无妨以首饰、潮玩等形态出现，吸引更 ...

1、HuggingFace 中国模型霸榜 现在去访问 HuggingFace 的 模型榜 ，国内大厂的模型基本包揽了前 10。 文本生成这块像 GLM-4.5 ，358B 参数，三天前刚更新，热度一直飙。 GLM-4.5 可与 Claude Code、Cline、Roo Code 等工具配合使用，支持从零构 建项目，也能独立完成现有代码任务，是真正能落地的高效开发 助手。 太顶了！实测 GLM4.5 自动生成流程图+代码，Claude Code 平替实锤了！ 12 项基准（智能体 3、推理 7、编程 2）横向评测，GLM-4.5 综合第 3，GLM-4.5 Air 第 6。 GLM-4.5 支持 128k 上下文和原生函数调用，在 -bench 和 BFCL-v3 榜单上表现接近 Claude-4-Sonnet。 还有 Qwen 系列，好几个分支，参数不同、更新 时间也近，推理能力表现也很好～开源地址： https://github.com/QwenLM/Qwen3 现在打开官网 https://www.firefox.com.cn/，就会有服务终止的公告： 腾讯的 HunyuanWorld-1 也厉害，搞 ...

最近和很多准备校招的小伙伴接触，发现大家在学校学习的东西和工作的差距越来越大。有不少工作多年的小 伙伴表示也在看机会，感知转大模型、世界模型，传统规控想转具身。但却不知道业内实际在做什么，导致秋 招的时候没有什么优势。。。 博主一直在鼓励大家坚持、多多交流，但归根结底个人的力量是有限的。我们希望共建一个大的社群和大家一 起成长，真正能够帮助到一些有需要的小伙伴，成为一个汇集全行业人才的综合型平台，真正做一个链接学校 和公司的桥梁。所以我们也开始正式运营求职与行业相关的社群。社群内部主要讨论相关产业、公司、产品研 发、求职与跳槽相关内容。如果您想结交更多同行业的朋友，第一时间了解产业。欢迎加入我们！ 微信扫码添加小助理邀请进群，备注自驾+昵称+求职； ...

AI发展现状与挑战 - AI正处于快速演化的关键阶段，大模型、具身智能与科学智能深度融合构成"知识飞轮"，可能使AI学习与再生能力超过人类[1] - AI发展面临结构性挑战：算力瓶颈、数据枯竭、评测滞后[1] - 传统依赖算法堆叠和数据量的发展路径已难以拓展AI边界[2] 数据与算力瓶颈 - 数据短缺制约大模型发展，多模态输入、合成数据生成等方式面临质量、成本和验证机制挑战[2] - AI系统面临智能水平提升与推理能效下降的矛盾，需关注单位能耗下有效Token数量[2] - 大模型训练成本激增：最新一代训练耗资约100亿美元，需20万张GPU卡支持，预计2035年突破1亿张卡[8] - 算力依赖呈指数级增长，传统电子芯片架构优化受限于晶体管物理天花板[8] 评测体系与原创能力 - 现有模型评测体系易被"对症"优化，需引入任务导向、动态更新与专家混合评估机制[2] - AI缺乏因果建模能力，科学建模需要简约假设和逻辑自洽的因果体系[3] - AI在10%原创性突破问题方面力有不逮，重大理论提出无法仅靠数据堆积[5][6] - 部分大模型已具备因果性文本结构识别能力，但语义层面理解尚不明确[3] 技术突破路径 - 提升AI系统性能的两条路径：保持能效水平提升智能水平，或通过软硬件协同优化提高单位能耗推理能力[8] - 光计算可突破能效瓶颈，需算法层面推动低精度模型优化，并利用光介质提升芯片间通信带宽[8] - 下一代AI系统需实时感知物理环境，与传感器和执行器深度融合[8] - 未来AI可能由100万个机器人在物理世界实现全域智能协同，形成新进化路径[9] 行业应用与趋势 - AI for Science在具体子任务中表现出色，尤其在"从类比中发现新结构"方面潜力巨大[7] - 机器人行业与AI融合加速，人形机器人量产爆发引发价格战，但上市公司业绩普遍承压[11][12] - 具身智能成为研究热点，微纳感知、仿生技术等推动机器人创新发展[11][12]