【地瓜机器人】三维重建算法实习生（前馈大模型方向）

优缺点分析

角色解读

• 实习表现优秀可转正为正式研究员，继续深耕三维视觉方向
• 积累顶会论文发表经验，为未来深造或进入顶尖AI团队奠定基础
• 接触业界前沿的大模型训练与部署技术，拓宽技术视野
• 参与视觉基础模型在三维重建中的应用，设计并实现前馈式重建算法
• 负责大规模视觉数据的处理与训练流水线搭建，提高模型效率
• 进行模型训练、微调与优化，并参与论文撰写与发表
• 扎实的深度学习基础，熟悉Transformer等核心架构
• 精通PyTorch，具备优秀的代码实现和调试能力
• 掌握三维视觉知识，如3DGS、多视图几何、SLAM、深度估计等
• 具备工程优化经验，了解分布式训练、模型加速（CUDA/TensorRT）者优先

申请策略

• 展现对前馈式三维重建方法的理解与思考，可在cover letter中提出技术观点
• 了解地平线在机器人视觉领域的布局，结合公司业务方向展示兴趣
• 重点突出3D视觉相关项目经历（如NeRF、3DGS、SLAM等）
• 展示PyTorch使用经验，包括大规模训练或分布式训练案例
• 如有论文或开源项目经历，务必列出并说明贡献
• 体现工程调试能力，如CUDA优化或模型加速经验
• 提前熟悉3DGS、Transformer等主流算法原理
• 学习分布式训练工具（DDP/DeepSpeed/FSDP）的基本使用

面试指南

• 对于原理类问题，先给出清晰定义，再对比相关方法，最后举例说明
• 对于项目经历问题，采用STAR法则：情境、任务、行动、结果，重点突出工程细节和思考过程
• 对于开放设计问题，先明确问题边界，提出候选方案，分析优缺点，最后给出推荐方案
• 请解释3DGS的基本原理及其与NeRF的异同
• 如何设计一个前馈式的三维重建网络？请描述整体架构
• 讲述一次你使用PyTorch进行大规模模型训练的经历，遇到过哪些挑战？
• Transformer中的多头注意力机制是如何工作的？为什么在视觉任务中有效？
• 你在三维视觉项目中最棘手的问题是什么？如何解决的？