数据与人工智能中心中国研发部 工业AI大模型与世界模型研发实习生（面向在校学生/无转正）

优缺点分析

角色解读

• 从实习生成长为AI研究科学家或算法工程师，深耕时序大模型与工业AI领域
• 积累世界模型与强化学习经验后，可向自动驾驶、机器人等交叉领域发展
• 西门子平台提供国际化视野与工业场景落地机会，助力进军顶级企业或学术界
• 参与工业AI大模型与世界模型的预训练，重点探索Flow Matching、Diffusion等先进技术以提升模型时序预测能力
• 协助强化学习后训练算法的代码开发和实验设计，优化模型在工业场景中的决策能力
• 进行系统性的实验对比，分析不同模型结构和训练策略对序列预测效果的影响
• 扎实的深度学习与强化学习理论基础，熟悉Transformer、Diffusion、Flow Matching等前沿模型
• 熟练使用PyTorch和分布式训练框架（Ray/DeepSpeed），具备Linux开发环境下的代码能力
• 具备第一作者顶会论文或知名开源项目经验者优先，彰显研究与工程实力

申请策略

• 在求职信中明确表达对工业AI和世界模型的研究兴趣，并提及西门子在数字化工业领域的优势
• 适当联系职位描述中的技术方向（如Flow Matching），展示你已经有一定基础
• 突出强化学习或时序建模相关的研究经历，列举具体项目成果（如模型性能提升、论文发表）
• 强调对Transformer、Diffusion、Flow Matching等模型的理解，展示代码能力（GitHub链接）
• 如有顶会论文或高星开源项目，务必在显眼位置标明作者排序和贡献
• 提前研读近期世界模型及时序大模型（如TimeGPT、Lag-Llama）的论文，了解核心思想
• 动手复现一道强化学习经典算法（如PPO、SAC）在时序预测任务上的应用，熟悉Ray框架

面试指南

• 结构化回答：先给出核心概念定义，再结合具体项目举例，最后总结所学所悟
• 在技术细节上要深入，展示你不仅知道是什么，还知道为什么和怎么做
• 对于研究问题，常用的框架：问题背景→现有方法不足→提出的解决方案→实验结果→局限性思考
• 请解释Transformer中自注意力机制如何捕捉长距离依赖，并对比Diffusion与Flow Matching在时序建模中的优劣
• 描述一次你使用强化学习解决实际问题的经历，包括状态、动作、奖励设计以及训练过程中的挑战
• 如何设计实验评估一个时序大模型的预测能力？你会选择哪些基线模型和评估指标？
• 你如何在分布式环境下使用Ray或DeepSpeed进行大模型训练？遇到过哪些工程问题？
• 请介绍一个你参与的开源项目或顶会论文，说明你的具体贡献和创新点