世界模型算法工程师

优缺点分析

角色解读

• 可沿技术专家路线深耕世界模型与具身智能，成为该领域核心技术骨干或技术负责人
• 也有机会转向技术管理，带领算法团队制定路线图并推进产品化
• 随着具身智能与机器人产业升温，相关经验在机器人、自动驾驶、AI 公司间具备较强迁移性
• 设计并训练面向机器人场景的世界模型，融合视频扩散生成与 JEPA 等技术，使模型能生成高保真视频并理解物理规律
• 负责大规模视频生成模型的全流程训练与优化，包括数据预处理、多卡并行、显存与收敛调优
• 把世界模型与抓取、导航、避障等机器人任务结合，做任务规划、数据增广和 Sim-to-Real 迁移
• 跟踪顶会前沿并作为骨干参与技术路线制定、指导初级工程师
• 扎实的深度学习与生成式模型理论，深刻理解扩散模型、GAN 或自监督学习原理
• 至少精通一大方向：大规模视频/图像扩散模型的训练链路，或世界模型/JEPA/model-based RL 与状态表征学习
• 熟练使用 PyTorch 并能独立完成复杂系统的开发与调试，具备分布式训练与工程落地能力
• 有顶会/顶刊一作论文及从研究到工程验证的闭环成果

申请策略

• 面试前了解中联重科在机器人/智能制造方向的业务布局，思考世界模型如何服务其真实场景
• 准备清晰阐述技术路线选择理由与落地可行性，体现研究品味与工程判断力
• 突出以第一/共一作者发表的顶会顶刊论文，说明研究问题、方法与贡献
• 详述大规模视频/图像扩散模型或世界模型/JEPA 的完整训练链路经验，量化数据规模与效果提升
• 展示从研究想法到工程验证的闭环项目，强调 PyTorch 代码能力与分布式训练、显存优化经验
• 如涉及机器人抓取、导航或 Sim-to-Real 落地，单独列出并说明成果
• 补齐视频生成中的物理一致性与长时序一致性相关实践，如刚体、碰撞、重力等约束建模
• 加强工程侧能力，包括多卡并行训练框架、CUDA 编程与模型推理加速部署

面试指南

• 研究类问题用「问题定义—方法动机—技术方案—实验验证—局限与改进」的结构回答，突出你的独立贡献
• 工程类问题用「场景约束—方案选型—关键难点—量化结果」的结构，强调可复现与可落地
• 开放路线类问题先对比各方案优劣，再结合机器人任务需求给出你的判断与取舍理由
• 请介绍你最有代表性的一篇一作论文，核心创新点与实验结论是什么？
• 你如何解决长时序视频生成中的时序一致性与物理合理性问题？
• 大规模扩散模型训练中你做过哪些分布式训练、显存优化与收敛调优的实践？
• 如何把世界模型与机器人抓取/导航任务结合，并处理 Sim-to-Real 的差距？
• 你如何理解 JEPA 与视频扩散两条技术路线的差异与融合可能？