网易
具身智能算法实习生
具身智能算法实习生
发布于 3 个月前实习/见习
实习生仅现场办公研究与开发 (研发)
研究与开发 (研发)
分布式训练
多模态大模型
强化学习
模仿学习
LoRA
PyTorch
TensorFlow
VLA
值不值得投
72综合评分
综合评分 72
网易具身智能算法实习：前沿技术栈、高成长性，但薪资较低且无明确WLB信号。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
6千
比研究与开发 (研发)中位数低
发布情况
长期在招 · 86 天前发布
公司情况
这家公司招聘很活跃
约 2690 个在招 · 其中研究与开发 (研发) 37 个
市场机会
选择面较广
杭州 · 研究与开发 (研发) · 约 210 个在招
职位详情
关于这个职位
该职位是网易伏羲机器人的具身智能算法实习生，主要负责机器人多模态大模型（VLA）的工程化落地与训练优化，参与从模型预训练、微调到真机部署的全流程
你将接触前沿的AI技术，如分布式训练、LoRA、模仿学习等，适合对机器人AI有浓厚兴趣的在校学生
最低要求
熟练掌握大语言模型及多模态大模型的训练和优化方法，精通主流深度学习框架如 PyTorch 或 TensorFlow，熟练掌握 Python 或 C++ 至少一种编程语言
具备过硬的工程能力，能够独立完成特定任务开发，重视代码质量，精通调试和代码优化
具备大规模分布式训练和高效微调（如 LoRA、低资源训练）技术落地经验，能够显著提升训练效率与工程实用性
具备云端算力管理和多模态任务优化能力，对高效工程实现和模型结果追求卓越
有机器人相关项目经验，熟悉在实际工业场景中实现机器学习算法部署
具备扎实的工程能力，能高效实现模型工程化迭代，优先考虑具备液压控制或工程机械行业实践经验者
有较强的创新意识，具有模仿学习或强化学习工程化实现经验者（如 ACT、DP、Model-Based RL）为佳
工作职责
负责机器人多模态大模型（VLA模型）的工程化落地，包括预训练开发、模型微调、训练优化以及实际效果调优
参与基于大模型的机器决策控制工程化工作，包括训练框架搭建、数据集处理、算力部署，以及在真机上的部署与测试
优化大模型的训练效率以及资源利用率，熟练运用诸如模型并行、Flash Attention、LoRA等技术
负责云端数据处理以及分布式训练落地，优化大模型的多模态任务处理能力
跟进多模态大模型与具身智能的前沿应用进展，负责模型在机器人场景的部署与技术转化
AI 洞察
优缺点分析
优点
- 顶级互联网平台（网易），资源丰富，能接触机器人AI一线技术
- 涉及多模态大模型、VLA等前沿方向，技术积累价值高，对求职竞争力有显著提升
- 团队经验丰富，有机会参与从模型到真机部署的全流程，锻炼工程与算法能力
- 实习期需快速掌握分布式训练、模型优化等工具，学习曲线陡峭
- 机器人领域落地周期长，需要耐心和持续探索精神
- 适合对AI和机器人有浓厚兴趣、具备较强编程能力与自学能力的计算机或相关专业研究生，希望在最前沿领域积累实战经验
缺点 / 挑战
- 对工程能力要求较高，需要独立处理复杂任务，可能面临较大技术挑战
角色解读
- 实习生可深入接触具身智能前沿，积累大模型工程化经验，未来可转向算法工程师或研究员
- 表现优异者有机会转正，参与核心项目，向高级算法工程师或技术专家发展
- 也可在机器人、自动驾驶或通用AI领域拓展，具备跨行业竞争力
- 负责机器人多模态大模型（VLA）的预训练、微调和工程化落地，涉及训练框架搭建和算力管理
- 参与大模型在真机上的部署与测试，优化模型训练效率（如使用模型并行、Flash Attention、LoRA等）
- 处理云端分布式训练数据，跟进具身智能前沿技术，推动模型在机器人场景的应用转化
- 扎实的深度学习基础：熟悉LLM和多模态模型训练，精通PyTorch或TensorFlow，掌握Python/C++
- 优秀的工程能力：能独立开发并重视代码质量，具备分布式训练和高效微调的实际经验
- 机器人相关项目经验：了解机器学习算法在工业场景中的部署，有模仿学习或强化学习经验者优先
申请策略
- 关注网易伏羲机器人团队的技术博客或开源项目，在面试中展现对团队工作的了解
- 准备一个自己参与过的相关项目的详细技术报告，包括遇到的问题和解决方案
- 突出大模型、多模态或深度学习的项目经验，详细描述你在模型训练、微调、分布式部署中的角色和成果
- 强调工程实现能力：展示独立开发的代码仓库、GitHub链接或解决问题的案例
- 若有机器人相关项目（如仿真或实机部署）或强化学习、模仿学习经验，务必重点提及
- 预先复习PyTorch分布式训练（DDP/FSDP）、LoRA等高效微调技术，可尝试复现简单模型
- 了解机器人控制基础（如ROS、运动规划）会加分，但非必需
- 重点放在深度学习工程化
面试指南
- 使用STAR法则描述项目经验：情境-任务-行动-结果，突出技术细节和量化成果
- 比较不同技术时，从效果、效率、可扩展性、资源消耗等维度分析，展示系统思考
- 对开放性问题（如模型理解），先给出定义，再结合具体应用场景说明，体现工程视角
- 如何在大规模数据上高效训练一个多模态模型？请描述你的技术方案
- 你使用过哪些模型并行或训练加速技术？请对比它们的特点
- 请谈谈你对VLA模型的理解，以及它如何与机器人控制结合？
- 你是否有过在真机上部署深度学习模型的经验？遇到过哪些挑战？
- 如何评价 LoRA 与其他微调方法（如Adapter、Prefix Tuning）的优劣？
职位点评
薪资福利35
成长发展95
工作生活60
使命价值75
薪资福利
35较低
实习生薪资相对较低，且未披露其他福利，补偿性动机满足程度有限。
薪资信号未披露（AI估算：4–8千/月）
成长发展
95较高
实习职位聚焦前沿技术（多模态大模型、具身智能），成长机会极大，能显著提升技能。
技术前沿前沿/新兴技术
技术栈多模态大模型、VLA、LoRA、分布式训练、模仿学习、强化学习
业务类型ambiguous
工作生活
60中等
仅现场办公，地点在杭州，未提及弹性工作或WLB，生活化动机中等。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
具身智能属于AI前沿领域，社会影响力中性偏正面，但实习期短，意义感中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs