具身 Infra/部署实习生

优缺点分析

角色解读

• 可沿着 ML Infra / MLOps 方向成长为训练平台工程师、大规模训练系统工程师，继续深入集群调度与性能优化
• 也可借助公司具身智能业务，转向具身模型训练与真机部署（VLA、机器人策略模型）方向
• 实习期表现优秀有机会转为正式员工，进入算法预研中心的核心基础设施团队
• 负责 GPU 训练集群的调度与任务管理，用 K8s、Slurm 编排大规模训练作业并维护资源使用规范
• 建设并维护模型训练基础设施，把 FSDP、DeepSpeed、Megatron、Transformers 等框架接入统一训练流程
• 打通数据集版本、训练配置、模型产物、实验追踪、评测结果与部署包的全链路管理
• 持续做训练效率、稳定性与成本优化，处理训练中断、通信异常等故障并推动可复现性建设
• 扎实的 Linux 与容器功底，熟悉 Docker、K8s 集群运维，理解 GPU 资源调度与队列管理
• 掌握 PyTorch 分布式训练原理，了解 FSDP、DeepSpeed、Megatron 的并行策略与适用场景
• 对 NCCL 通信、分布式存储与网络性能有一定理解，能定位带宽、显存、通信瓶颈
• 具备工程化思维与排查能力，能读懂日志、监控指标并把问题讲清楚

申请策略

• 简历中务必放上项目与仓库链接，这是该 JD 明确要求的加分动作，缺失会明显减分
• 提前了解均胜电子在具身智能与智能制造方向的业务布局，面试时能说明你为什么想做真机真场景的 Infra
• 突出多卡/多机训练相关项目，写清用了什么并行策略、吞吐和 GPU 利用率提升了多少
• 写明 K8s、Slurm、Docker 的实际使用场景，例如自建集群、任务排队、镜像与环境管理
• 按 JD 要求附上 Github 仓库、开源贡献或实验室项目链接，让招聘方能看到真实代码
• 列出竞赛经历（ACM、RoboCup、RoboMaster）及在其中承担的具体工程角色
• 系统补齐 PyTorch 分布式训练知识，重点理解 DDP、FSDP、ZeRO 各阶段的差异与显存/通信开销
• 补充 NCCL 通信、RDMA/IB 网络、分布式存储（如 Lustre、JuiceFS、对象存储）的基础认知

面试指南

• 用「现象—定位手段—解决方案—量化结果」四步讲项目，尽量给出吞吐、GPU 利用率、训练耗时等指标变化
• 遇到不会的问题先讲清你的分析思路和会去查证的路径，再说明边界，不要硬编造经验
• 对框架类问题先讲原理（并行维度、通信量、显存占用），再落到你的实际选择和取舍理由
• 讲一个你做过的多卡训练项目，用了什么并行策略，瓶颈出现在哪里，怎么解决的？
• 如果要在 K8s 上调度一批 GPU 训练任务，你会怎么设计资源分配、队列和优先级？
• FSDP 与 DeepSpeed ZeRO 各阶段有什么区别，什么场景下你会选哪一个？
• 训练过程中出现 loss 异常或进程 hang 住，你的排查顺序是什么？
• 当 NCCL 通信或网络带宽成为瓶颈时，你会用什么工具定位并如何优化？