高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心

优缺点分析

角色解读

• 技术专家路线：在VLA/世界模型等方向深耕，成为领域内的顶尖专家，主导核心算法研发
• 技术管理路线：带领团队负责具身智能方向的整体技术规划与落地，向技术总监或首席科学家方向发展
• 行业影响力路线：通过主导开源项目和定义行业基准，成为具身智能领域的意见领袖，影响行业发展方向
• 研发下一代VLA/WAM具身基座大模型，解决多模态指令到精准动作映射的难题，实现跨场景零样本迁移
• 构建基于大规模视频生成的物理世界模拟器，为具身智能提供训练环境
• 探索GRPO、PPO、SAC等强化学习算法在多模态大模型和具身控制上的应用，提升Agent决策能力
• 利用高德独有的时空数据，构建自动化数据生产与评测管线，并主导开源项目，定义行业标准
• 精通VLA/VLM/WAM等大模型架构设计，具备从0到1的模型研发经验
• 熟练掌握Megatron/DeepSpeed/FSDP等分布式训练框架，具备性能调优能力
• 深入理解强化学习算法（PPO/GRPO/SAC），有Sim-to-Real闭环验证经验
• 具备跨模态系统认知，理解感知-世界模型-决策-动作的完整闭环

申请策略

• 在简历和面试中强调你对Scaling Law的信仰和'无人区作战'的能力，展现极客精神
• 准备一个你主导的完整项目案例，从问题定义、技术选型到最终落地，展示系统化思考能力
• 突出VLA/VLM/WAM或世界模型方向的从0到1研发经历，强调千卡级预训练和端到端落地成果
• 详细描述大规模RL训练（PPO/GRPO/SAC）的项目经验，特别是Sim-to-Real闭环验证或真机部署案例
• 展示开源项目影响力，如主导的开源数据集、Benchmark或顶会论文，体现技术领导力
• 强调分布式训练工程能力，如使用Megatron/DeepSpeed进行性能调优的具体成果
• 深入研读最新的VLA和世界模型论文，如RT-2、GR-1、Genie等，保持技术敏感度
• 动手实践GRPO、PPO等强化学习算法，在开源环境（如LeRobot）上跑通Sim-to-Real流程

面试指南

• STAR法则：描述项目背景（Situation）、你的任务（Task）、采取的行动（Action）和最终结果（Result），重点突出技术难点和你的独特贡献
• 问题解决框架：先定义问题本质，再分析可能的方案，最后说明你选择某方案的理由和验证过程，体现系统化思维
• 技术深度展示：对于技术细节问题，从原理讲到实践，展示你对底层机制的深入理解，而非停留在API使用层面
• 请详细介绍一下你主导的VLA或世界模型项目，从模型架构设计、数据配比到训练调优的完整过程
• 在RL训练中，你是如何处理Reward Hacking问题的？如何设计Reward Model？
• 如何利用高德的时空数据来构建具身数据生产管线？请给出具体方案
• 谈谈你对Scaling Law在具身智能领域落地挑战的理解，以及你的解决思路
• 在千卡级分布式训练中，你遇到过哪些性能瓶颈？如何定位和解决？