字节跳动
具身Infra工程师-Seed Robotics
具身Infra工程师-Seed Robotics
发布于 5 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
软件工程
强化学习
CUDA
仿真
GPU集群
TensorRT
分布式训练
TVM
VLA
DeepSpeed
AI 估算 · 35k–55k
大厂核心AI Infra岗位，技术要求高且稀缺，北京薪资水平高，参考市场行情给出35k-55k
职位详情
关于这个职位
这是一个面向具身智能领域的Infra工程师岗位，负责搭建大规模GPU集群以支持多模态大模型（如VLA）的分布式训练和推理
你将参与优化强化学习训练框架和仿真环境，并研发机器人端侧的高效推理引擎，属于AI基础设施的核心技术岗位
最低要求
本科及以上学历，计算机、自动化、机器人等相关领域，3年以上AI Infra或高性能计算经验
精通Python与C++编程语言，具备CUDA编程与性能调优经验
熟悉Megatron、DeepSpeed等分布式训练框架，有千亿参数模型或多模态模型训练调优实战经验
理解PPO等主流强化学习算法，至少使用过RLLib、SampleFactory或Isaac Gym等任一强化学习框架
熟练使用TensorRT、TVM、OpenXLA之一，有端侧模型部署落地经历
了解Isaac Sim、MuJoCo、Gazebo等常用物理仿真环境，能搭建并行仿真训练闭环
工作职责
负责搭建千卡级GPU集群，支持Word Action Model、VLA等多模态大模型的分布式训练
优化长序列Transformer、扩散策略（Diffusion Policy）在异构集群上的计算与通信效率
负责设计支持GPU并行仿真与策略推理的RL训练框架（如Isaac Gym、MuJoCo MJX、Enigma等）
实现大规模仿真到真实（Sim2Real）的训练回旋体系，支持域随机化与真实数据混合重放
优化PPO、SAC、TD-MPC等算法在仿真环境中的采样效率，提升每秒交互步数（SPS）
负责研发机器人端侧（Orin、x86实时系统）的高效推理引擎，支持流式VLA模型极低延迟推理
设计模型量化、稀疏化、算子融合策略，平衡推理速度与成功率
构建云端-边端协同推理架构，支持复杂任务拆解与大模型委派执行
优先资格
有机器人真机部署经验（机械臂、足式机器人或移动底盘）
参与过开源具身智能项目
熟悉NVIDIA GPU编程
熟悉大模型推理和Diffusion/FlowMachting相关的推理框架
AI 洞察
优缺点分析
优点
- 大厂核心AI岗位，接触前沿的具身智能和Infra技术，技术成长快
- 字节跳动平台资源丰富，GPU集群规模大，能积累大规模分布式训练经验
- 薪资待遇优厚，股票期权等福利完善
- 技术栈复杂（分布式、CUDA、仿真、端侧），学习曲线陡峭
- 工作强度较大，需应对集群故障、训练效率优化等紧急问题
- 领域发展迅速，需要持续跟进最新论文和开源项目
缺点 / 挑战
- 适合有较强工程和算法背景、对AI Infra和机器人系统充满热情、能承受一定压力且追求技术成长的工程师
角色解读
- 技术深化：在AI Infra领域深耕，成为分布式训练、仿真系统或端侧推理的专家
- 架构方向：逐步承担系统架构设计，主导新一代训练/推理平台的建设
- 管理方向：带团队负责Infra模块，后续可转向技术总监或架构师
- 搭建和维护千卡级GPU集群，支持多模态大模型的分布式训练，优化计算与通信效率
- 设计强化学习训练框架，结合仿真环境（如Isaac Gym）实现大规模Sim2Real，提升算法采样效率
- 研发机器人端侧推理引擎，通过量化、稀疏化等技术实现低延迟推理，并构建云端-边端协同架构
- 精通Python和C++，具备CUDA编程和性能调优能力
- 熟悉Megatron、DeepSpeed等分布式训练框架，有大规模模型训练经验
- 理解PPO等强化学习算法，熟练使用RLLib、Isaac Gym等框架
- 掌握TensorRT、TVM等推理优化工具，有端侧部署经验
申请策略
- 可附上GitHub或技术博客，展示对Infra和机器人的热情
- 面试准备时重点复习分布式训练原理、CUDA优化技巧和强化学习算法细节
- 突出大规模分布式训练经验，具体说明集群规模、模型参数量、优化成果
- 强调CUDA编程、性能调优的实战案例，如通信优化、算子融合等
- 列出强化学习框架使用经历，如Isaac Gym的Sim2Real闭环
- 展示端侧部署项目，包括模型量化、推理延迟提升等量化指标
- 如果缺乏仿真经验，可以自学Isaac Gym或MuJoCo，并尝试搭建简单训练闭环
- 补充大模型推理优化知识，如FlashAttention、vLLM等
面试指南
- 针对优化类问题：先分析瓶颈（计算/通信/显存），再给出具体技术方案（如混合精度、并行策略、算子融合），最后量化效果
- 针对架构设计类问题：明确需求（延迟、吞吐、可扩展性），画出系统架构图，解释关键设计决策
- 对于算法理解类问题：先简述原理，再结合实践经验说明调优技巧
- 请描述你在大模型分布式训练中遇到的通信瓶颈及优化方案
- 如何设计一个高效的Sim2Real训练回旋体系？
- 在端侧部署VLA模型时，如何平衡推理速度和精度？
- 解释Megatron和DeepSpeed的核心差异，以及各自适用场景
- 如何实现PPO算法在GPU仿真环境中的高效采样？
匹配度报告
74
综合匹配度
大厂核心AI Infra岗位，前沿技术栈，高成长高薪资，但工作强度较大。
适合人群
适合以技术成长为首要目标的求职者，能接受较高工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展92
工作生活45
使命价值75
薪资福利匹配
85较高
薪资水平较高，大厂福利完善，且为热门方向，补偿性动机能得到较好满足。
薪资信号未披露（AI估算：35K-55K/月）
成长发展匹配
92较高
涉及前沿技术栈（具身智能、大模型、分布式训练），成长空间极大，且字节跳动内部技术积累深厚。
技术前沿前沿/新兴技术
技术栈GPU集群、分布式训练、Megatron、DeepSpeed、PPO、Isaac Gym、TensorRT、TVM、VLA、Sim2Real
业务类型profit_center
工作生活匹配
45较低
现场办公为主，未提及弹性工作安排，大厂工作强度较大，生活化动机满足程度有限。
工作模式仅现场办公
办公地点未明确
加班情况JD含高强度暗示词
使命价值匹配
75中等
具身智能是AI重点方向，社会影响力中等偏上，但JD未强调社会价值，意义感有一定满足。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs