【精英实习】具身智能算法工程师

优缺点分析

角色解读

• 作为实习岗位，表现优秀者有机会转正，进入网易伏羲机器人团队深入从事具身智能研究
• 可积累大模型+机器人交叉领域的工程经验，未来可向算法工程师、具身智能专家方向发展
• 该方向为前沿赛道，技术积累可迁移至多模态大模型、机器人控制等热门领域
• 负责具身基座模型（VLA、WAM）的预训练、微调与后训练优化，并推动其在机器人真机上的部署测试
• 参与多模态大模型驱动的机器决策控制工程化，搭建训练框架、处理数据集并优化推理性能
• 优化大模型训练效率与资源利用率，运用模型并行、Flash Attention、LoRA等技术
• 跟进具身智能前沿技术，将多模态大模型研究成果转化为机器人场景的实际能力
• 精通PyTorch等深度学习框架，掌握大语言模型及多模态大模型的训练与优化方法
• 熟悉TensorRT、RTC等推理加速与端侧部署技术，至少熟练掌握Python或C++之一
• 具备大规模分布式训练和高效微调（如LoRA）的实际落地经验，能独立完成开发任务
• 了解或实践过模仿学习、强化学习（如DP、Offline RL、Dagger）者更佳

申请策略

• 在简历中明确体现对具身智能的热情和持续学习能力
• 准备一个完整的项目案例，说明你在模型训练或部署中的具体贡献
• 突出大模型训练与优化项目经历，特别是分布式训练、LoRA微调等具体实践
• 强调Python/C++编程能力和PyTorch框架的使用深度，展示代码质量意识
• 如有机器人相关项目或竞赛经历，务必重点体现
• 若有强化学习、模仿学习经验，单独列出
• 提前熟悉VLA、WAM等具身智能模型架构，阅读相关论文
• 补强TensorRT、ONNX等推理加速工具链的使用

面试指南

• 针对技术类问题，采用“项目背景-我的职责-技术方案-量化结果”四步结构，突出个人贡献和决策思路
• 对模型原理问题，先讲核心概念，再对比不同方法，最后结合具体场景说明应用价值
• 对部署问题，强调从训练到推理的完整流程，包括模型压缩、精度校准、延迟优化等关键步骤
• 请介绍一下你参与过的大模型训练项目，如何优化训练效率？
• 你了解LoRA吗？相比全量微调有什么优缺点？
• 如何在真机部署多模态大模型，需要注意哪些性能问题？
• 你是否有机器人的项目经验？如何将算法部署到真实机器人？
• 谈谈你对VLA或WAM模型的理解，以及它们面临的挑战