蚂蚁集团-具身智能算法工程师-数字支付技术

优缺点分析

角色解读

• 在具身智能领域深耕，成为基础模型研发专家，主导前沿技术方向
• 向技术管理方向发展，带领团队推进具身智能项目落地
• 横向拓展至机器人、自动驾驶等泛具身智能领域，职业选择面广
• 参与具身智能基础模型的研发，包括VLM、VLA、Video Generation等模型的预训练、后训练及强化学习，构建跨平台泛化的通用模型
• 设计多模态模型架构与训练策略，融合图像、视频、语言、触觉、状态和动作等信息，提升机器人对物理世界的感知、理解、推理、规划与执行能力
• 探索数据配方、数据质量体系及Scaling Law，建设数据生产、筛选、训练和评测流程，沉淀可复用的训练范式
• 与数据、系统、仿真、控制及硬件团队协作，推动模型在仿真环境和真实机器人平台上的训练、验证、部署与迭代
• 扎实的深度学习基础，熟悉大模型训练体系，具备预训练、监督微调、后训练或强化学习实践经验
• 深入理解LLM、VLM、VLA或Video Generation等技术方向，熟悉主流多模态模型架构和训练方法
• 具备强化学习经验，理解PPO、SAC等算法，有Online RL、Offline RL或模仿学习项目经验者优先
• 熟练使用PyTorch，具备良好的算法实现、实验设计和工程开发能力，有大规模分布式训练经验者优先

申请策略

• 了解蚂蚁集团在具身智能领域的布局和业务方向，在面试中展现对业务的理解
• 准备一个完整的项目案例，详细描述从数据采集到模型部署的全流程
• 突出具身智能或相关领域的项目经验，如机器人操作、VLA模型训练等
• 强调强化学习、多模态模型、大规模分布式训练的实际应用案例
• 展示在CVPR、NeurIPS等顶会发表的论文或开源项目，体现研究能力
• 深入理解VLA模型架构和训练方法，可复现相关模型
• 补充机器人仿真平台如MuJoCo、Isaac Sim的使用经验
• 提升强化学习实战能力，熟悉PPO、SAC等算法实现

面试指南

• 项目经验类：采用STAR法则，突出技术难点和解决方案
• 技术设计类：从问题定义、方案设计、实验验证、结果分析等角度回答
• 迁移问题类：强调Sim-to-Real的挑战，如域随机化、数据增强等
• 请介绍你在具身智能或大模型训练方面的项目经验，具体负责哪些部分？
• 如何设计一个VLA模型来处理长时序任务？
• 在强化学习中，如何处理稀疏奖励问题？
• 你如何评估一个具身智能模型的泛化能力？
• 如何将仿真环境中的模型迁移到真实机器人上？