均胜电子
具身算法实习生
具身算法实习生
发布于 2 小时前实习/见习
实习生仅现场办公具身智能
具身智能
Pytorch
Vla
世界模型
具身智能
多模态模型
强化学习
模仿学习
值不值得投
薪资怎么样
6.0千
比具身智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
17 个在招 · 其中具身智能 13 个
市场机会
选择不多
宁波 · 具身智能 · 1 个在招
职位详情
关于这个职位
你将加入均胜电子旗下超平面机器人公司的「通用具身大脑」团队，参与具身智能算法的研究与开发
工作涵盖多模态基础模型、世界模型/世界动作模型、VLA、模仿学习或强化学习等前沿方向，从模型架构设计、训练调优到仿真与真实机器人任务验证全流程
最低要求
计算机、人工智能、自动化、机器人工程、电子信息、数学等相关专业本科、硕士或博士在读
编程基础扎实，熟练掌握 Python、PyTorch 和 Linux 开发环境，具备良好的算法实现、代码调试和实验复现能力
熟悉多模态模型、世界模型、VLA、模仿学习、强化学习或机器人学习中的至少一个方向，能够阅读和复现相关前沿工作
具备良好的实验方法和问题分析能力，自驱力强，能够持续实习并与团队高效协作
工作职责
参与具身智能算法研究与开发，根据个人背景参与多模态基础模型、世界模型/世界动作模型、VLA、模仿学习或强化学习等方向
参与模型架构设计、训练调优和实验分析，探索视觉、语言、机器人状态与动作的联合建模，提升模型的环境理解、任务规划和动作生成能力
参与具身模型的预训练、后训练和策略学习，开展对照实验、消融实验和失败案例分析，推动模型能力持续迭代
参与模型在仿真环境及真实机器人任务中的验证，与算法、数据、仿真、评测和机器人系统团队协同解决实际问题
优先资格
在具身智能、机器人学习、多模态模型、世界模型、模仿学习或强化学习方向有相关论文、科研或项目经验
具备 Transformer、Diffusion、Flow Matching、Behavior Cloning、Offline RL 或 Online RL 等模型与算法的实践经验
具备大模型训练、机器人仿真、真实机器人实验或策略闭环评测经验
拥有高质量开源项目、机器人或算法竞赛成绩，以及高水平会议论文者优先
AI 洞察
优缺点分析
优点
- 方向位于具身智能最前沿（VLA、世界模型、多模态基础模型），技术积累的稀缺性和长期价值高
- 覆盖从模型设计、训练调优到仿真与真机验证的全流程，能建立完整的研发闭环经验
- 大方向可选择空间大，可根据个人背景在多模态、模仿学习、强化学习等方向中定位
- 依托均胜电子的产业背景，具备接触真实机器人平台与场景验证的机会
- 具身智能仍处于快速演进期，技术路线不确定，需要持续跟进前沿论文并承受反复试错
- 真机实验与大规模训练依赖团队资源，实习生可能在算力、设备排队上面临约束
- 适合正在攻读计算机、人工智能、自动化、机器人等专业，已有一定多模态或强化学习基础，希望在具身智能前沿方向长期深耕的本科生、硕士或博士生
缺点 / 挑战
- 研究方向多、模型复杂，对工程实现与实验设计能力要求较高，上手曲线陡
角色解读
- 在具身智能这一前沿方向积累从模型设计到真机验证的完整研发经验，为后续进入具身智能/机器人学习领域的算法工程师岗位打下基础
- 可沿研究路线发展（如多发论文、申请博士或进入研究院），也可沿工程路线深化（大模型训练、真机策略部署与评测）
- 实习表现优秀者通常有机会转为正式算法岗位或获得推荐
- 参与具身智能基础模型（多模态基础模型、世界模型/世界动作模型、VLA）的研究与开发，探索视觉、语言、机器人状态与动作的联合建模
- 负责模型的预训练、后训练与策略学习，设计对照实验、消融实验并做失败案例分析，推动模型持续迭代
- 在仿真环境和真实机器人任务上验证模型效果，与算法、数据、仿真、评测和机器人系统团队协同解决落地问题
- 扎实的 Python 编程与 PyTorch、Linux 开发能力，能独立实现算法、调试代码并复现论文实验
- 对多模态模型、世界模型、VLA、模仿学习、强化学习或机器人学习中至少一个方向有系统性理解
- 具备规范的实验方法论与问题分析能力，能设计消融实验、定位失败原因
- 较强的自驱力与团队协作能力，能保证较长的实习周期
申请策略
- 投递前了解均胜电子在机器人方向的布局与「通用具身大脑」的定位，明确自己最想切入的技术方向
- 在沟通中主动说明可实习的时长与到岗时间，长期稳定实习是此类岗位的重要考量
- 突出与具身智能相关的科研项目或课程项目，说明你在其中承担的模型设计、训练调优与实验分析工作
- 量化展示工程能力，如代码仓库、复现过的论文、模型训练规模与效果指标
- 列出 Transformer、Diffusion、Flow Matching、Behavior Cloning、Offline/Online RL 等具体算法与框架的实践经历
- 如有论文、开源项目、竞赛成绩或真机实验经验，务必单列并附链接
- 系统阅读 VLA、世界模型、Diffusion Policy、RT-2/OpenVLA 等代表性工作并尝试复现关键实验
- 熟悉至少一种机器人仿真平台（如 Isaac Sim、MuJoCo、RoboSuite）与强化学习框架，补齐仿真到真机的链路认知
面试指南
- 项目类问题用「背景—目标—我的方案—实验结果—反思改进」结构回答，重点突出个人贡献与量化结果
- 技术理解类问题先说清概念与代表工作，再谈自己的判断与局限，避免只背结论
- 实验分析类问题强调变量控制、对照设置与失败归因逻辑，体现科研方法论的严谨性
- 请介绍一个你参与过的具身智能/多模态/强化学习相关项目，你在其中具体负责什么？
- 你如何理解 VLA 模型？视觉、语言与动作如何做联合建模？
- 讲一个你做过的消融实验或失败案例分析，如何定位问题并改进？
- 在仿真中表现良好的策略迁移到真机时可能遇到什么问题，你会如何应对？
- 你熟悉哪些 Diffusion / Flow Matching / Behavior Cloning 方法，各自优缺点是什么？
Watch Jobs