蚂蚁集团-MLOps平台研发专家-具身智能方向

优缺点分析

角色解读

• 可向MLOps架构师或具身智能技术负责人方向发展，主导平台设计与演进
• 有机会成为大模型工程专家，深耕后训练、推理和性能优化
• 跨领域发展至机器人系统或自动驾驶等方向，拓展技术广度
• 负责具身大模型后训练流程的产品化，包括SFT、蒸馏和RLHF，优化推理引擎以降低机器人控制延迟
• 开发MLOps工具链，涵盖资产管理、实验追踪、模型血缘和自动评测，构建数据与模型的闭环迭代
• 搭建大规模弹性训练与推理调度服务，设计机器人后训练及推理SDK，封装C++/Python双语言API
• 精通C++或Python，熟悉Linux、Docker/K8s及微服务架构
• 年以上机器学习平台或大模型工程经验，具备分布式训练、推理优化或异构计算等至少一项专长
• 熟悉主流推理框架（如vLLM、SGLang、TensorRT）或机器人系统（ROS2）

申请策略

• 提前了解蚂蚁集团在具身智能方向的布局（如机器人、自动驾驶团队），在面试中展示技术匹配度
• 准备一个端到端MLOps或推理优化案例，突出技术难点和解决方案
• 突出MLOps平台建设或大模型训练/推理优化经验，包含具体指标（如吞吐量提升、延迟降低）
• 强调分布式系统、K8s调度、高性能计算相关项目，展示架构设计能力
• 如有机器人系统或VLA模型经验，务必重点描述
• 补充CUDA编程和推理框架（vLLM、TensorRT）实践
• 学习具身智能基础（如RT-2、ROS2），提升跨领域理解

面试指南

• 先明确需求场景和约束（延迟、吞吐、成本），再对比不同方案（如框架选型、量化、算子融合），最后给出具体设计
• 结合项目经验，按“问题-方案-效果”结构展开，量化指标
• 如何设计一个低延迟的推理服务？请从架构和优化角度说明
• 解释分布式训练中的通信重叠策略，以及如何实现千卡级调度
• 你如何定义MLOps工具链的关键组件？请描述一个你参与设计的平台
• 对vLLM或SGLang的架构了解多少？如何实现PagedAttention？
• 如果让你优化机器人实时控制模型的推理，你会从哪些方面入手？
• 复习分布式训练原理（AllReduce、FSDP、Megatron-LM）和推理优化技术（量化、KV Cache、TensorRT）