1. 多模态技术落地：负责将 VLM（视觉 - 语言模型）、VLA（视觉 - 语言 - 动作模型）应用于人形机器人，核心实现 “自然语言驱动的任务控制”，打通 “人机交互 - 决策 - 执行” 全链路；

2. 模型开发优化：基于 BLIP、LLaVA、RT 系列等成熟大语言模型与多模态模型，进行二次开发与适配，构建机器人专属的感知与决策系统；

3. 数据管线搭建：设计多模态数据处理与推理管线，实现 “视觉 - 语言 - 动作” 端到端协同，支撑家庭、养老等场景下的复杂人机交互与任务执行；

4. 跨团队协作：与底层运动控制团队深度配合，完成多模态模型与机器人硬件的适配，保障模型在真实场景中的稳定运行与高效响应。