Netease logo
网易
具身智能算法实习生

具身智能算法实习生

发布于 5 个月前

实习/见习

AI 估算 · 4.0–8.0千 · AI 参考估算
无经验要求
本科
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。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便比较实习机会。

薪资怎么样

6.0千

与研究与开发 (研发)中位数基本持平

发布情况

长期在招 · 141 天前发布

公司情况

这家公司招聘很活跃

约 3010 个在招 · 其中研究与开发 (研发) 30 个

市场机会

选择面较广

杭州 · 研究与开发 (研发) · 约 200 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:4.0–8.0千/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