AI算法工程师2546

优缺点分析

角色解读

• 从模型训练工程师向大模型专家或算法负责人方向发展，深入掌握VLA等前沿技术
• 有机会参与具身智能和机器人AI的核心研发，积累行业稀缺经验
• 在富士康这样的大型平台，可横向拓展到智能制造、自动化等其他AI应用领域
• 负责VLA模型的选型、优化与预训练策略调整，确保模型在特定场景下表现最佳
• 进行模型post-train阶段的工作，针对具体应用场景迭代优化模型
• 挖掘、清洗和自动标注训练数据，构建高质量的数据集（数字金字塔）
• 熟练掌握Python，能够高效实现和调试深度学习模型
• 熟悉PyTorch/TensorFlow/Jax等至少一种深度学习框架，具备模型训练或优化实操经验
• 了解LLM/VLM/VLA等大模型的基本原理和训练流程，有相关经验者优先

申请策略

• 在申请中强调对具身智能或机器人AI的热情，以及对富士康业务场景的理解
• 表现出愿意从基础数据工作做起的踏实态度，增强岗位匹配度
• 突出大模型（LLM/VLM/VLA）相关的训练或优化项目经历，包括模型架构、训练方法、效果指标等
• 强调Python和深度学习框架的熟练度，展示具体代码量或开源贡献
• 如有数据处理或数据流水线建设经验，务必详细说明，因为该岗位包含数据挖掘与标注职责
• 提前熟悉VLA模型的基础知识和主流实现，如RT-2、PaLM-E等，了解其训练范式
• 补充学习数据自动标注和清洗的常用工具与流程，提升数据处理效率
• 练习使用PyTorch或TensorFlow进行小规模模型训练，巩固实操能力

面试指南

• 采用STAR法则：情境-任务-行动-结果，清晰呈现项目中的职责和产出
• 对于模型优化问题，强调系统性思维：先定位问题（数据/模型/训练策略），再提出假设并实验验证
• 展示学习能力和主动性，说明自己如何跟踪前沿技术并快速应用到实践中
• 请介绍你在VLA或VLM模型训练中遇到的最大挑战，以及如何解决的？
• 如何设计一个数据清洗和自动标注的流程来提高训练数据质量？
• 比较一下PyTorch和TensorFlow在模型训练中的优缺点，你更倾向用哪种？为什么？
• 如果模型在特定场景下性能不佳，你会如何分析和优化？
• 你对大模型的预训练和post-train有什么区别的理解？