中联重科
VLA大模型算法专家
VLA大模型算法专家
发布于 11 小时前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Clip
Deepspeed
Megatron-Lm
Pytorch
Sft
Vit
Vla
具身智能
大模型
值不值得投
71综合评分
综合评分 71
前沿具身智能方向、技术成长空间大，薪资福利与办公模式JD未明确
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比具身智能中位数高
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
7 个在招 · 其中具身智能 5 个
市场机会
选择不多
长沙 · 具身智能 · 5 个在招
职位详情
关于这个职位
这是一个面向机器人具身智能的前沿算法岗位，你将主导VLA（视觉-语言-动作）基座模型与机器人Foundation Model的架构设计、预训练与持续迭代，并搭建数据体系与评测标准
适合在大模型与机器人交叉领域有深厚积累的资深算法专家
最低要求
硕士及以上学历（博士优先），计算机科学、人工智能、机器人等相关专业
精通Transformer/ViT/CLIP等基础架构
深入理解RT-2/OpenVLA/π0等VLA模型
熟练使用PyTorch/DeepSpeed/Megatron-LM
有大模型分布式训练经验（100+ GPU）
工作职责
负责VLA基座模型的架构设计、训练策略制定及持续迭代优化
主导机器人Foundation Model的预训练（SFT）及持续学习
主导视觉、语言、动作及机器人状态的统一表示学习
负责Vision-Language-Action Alignment方案设计与优化
建立机器人数据体系标准（采集、治理、标注、质量评估）
建立机器人基础模型评测体系（泛化能力、长时任务、Cross-Embodiment、Sim-to-Real）
与RL/世界模型团队共同设计VLA与RL融合方案等
优先资格
NeurIPS/ICML/CoRL/RSS/CVPR/ICRA论文优先
主导过VLA/Foundation Model研发优先
AI 洞察
优缺点分析
优点
- 方向处于具身智能与大模型交叉前沿，技术含金量高、成长空间大
- 工作内容覆盖模型架构、数据体系、评测体系到多团队融合，能系统锻炼全链路大模型研发能力
- 公司为装备制造龙头，场景落地与数据资源较丰富
- VLA与机器人Foundation Model技术难度大、尚无成熟范式，需要较强探索与抗压能力
- 大模型分布式训练对工程能力要求高，需协调数据、评测、RL等多个团队
- 专家岗还需承担技术主导与方案设计责任
- 适合在计算机视觉、大模型或机器人领域有深厚积累，渴望在具身智能前沿方向持续深耕并承担技术主导的资深算法人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 可在具身智能/机器人基础模型方向持续深耕，成长为算法负责人或技术专家
- 凭借前沿成果与顶会论文积累，未来可向大模型平台负责人、研究院技术管理或创业等方向发展
- 负责VLA（视觉-语言-动作）基座模型的架构设计、训练策略制定与持续迭代，是机器人具身智能的核心算法工作
- 主导机器人Foundation Model的预训练与持续学习，构建视觉、语言、动作、机器人状态的统一表示
- 同时搭建机器人数据采集治理标准与模型评测体系，并与强化学习、世界模型团队协作设计融合方案
- 扎实的大模型基础架构功底，精通Transformer/ViT/CLIP，并深入理解RT-2/OpenVLA/π0等主流VLA模型
- 具备大模型分布式训练工程能力，熟练使用PyTorch/DeepSpeed/Megatron-LM并有百卡以上训练经验
- 理解视觉-语言-动作对齐、SFT、持续学习及Sim-to-Real等关键技术
申请策略
- 关注公司在具身智能与机器人基础模型上的业务布局，提前了解其应用场景
- 可主动了解团队现有的数据与算力资源，面试时体现对落地场景的思考
- 重点突出与大模型/VLA相关的项目经历，如基座模型训练、多模态对齐、机器人策略学习等
- 量化分布式训练规模与工程贡献，如百卡以上训练、吞吐与稳定性优化
- 列出Transformer/ViT/CLIP、RT-2/OpenVLA/π0等具体技术栈的实战应用
- 若有顶会论文或主导过的Foundation Model项目，应置于显著位置
- 系统梳理VLA领域最新进展（RT-2、OpenVLA、π0等）并理解其架构差异与训练策略
- 补充大规模分布式训练与数据治理、模型评测体系搭建的实操经验
面试指南
- 采用STAR结构，先讲清技术背景与目标，再说明你的具体设计/实现方案，最后给出量化结果与反思
- 对开放性问题先给整体框架，再展开关键难点与取舍
- 结合论文或项目案例佐证你的判断依据
- 请介绍你理解或主导过的VLA模型架构及其训练策略？如何在视觉、语言、动作之间做统一表示与对齐？你有过百卡以上大模型分布式训练经验吗，遇到哪些工程挑战？如何设计机器人基础模型的评测体系（泛化、长时任务、Cross-Embodiment、Sim-to-Real）？VLA与强化学习/世界模型如何有效融合？
- 准备1-2个能体现大模型/VLA全链路能力的项目案例，讲清架构、训练与效果
- 复习主流VLA模型与多模态对齐方法的核心思想
- 提前了解中联重科的业务与机器人应用场景，准备对落地与数据供给的思考
职位点评
薪资福利62
成长发展88
工作生活55
使命价值80
薪资福利
62中等
JD未披露薪资与福利细节，专家级算法岗通常具备一定议价空间，但具体待遇需与HR确认。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
88较高
方向处于具身智能与大模型交叉前沿，工作覆盖架构、训练、数据、评测全链路，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Transformer、ViT、CLIP、RT-2、OpenVLA、π0、PyTorch、DeepSpeed、Megatron-LM、SFT、强化学习、Sim-to-Real
业务类型profit_center
工作生活
55较低
JD未提及办公模式、弹性或加班情况，工作强度与WLB需与招聘方进一步确认。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
机器人基础模型与具身智能是当前高速增长的技术方向，工作对推动机器人智能化具有较强技术价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs