高德地图
高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心
高德-VLA基座模型算法工程师 --预训练/后训练方向-视觉技术中心
发布于 2 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Deepspeed
Grpo
Megatron
Ppo
Scaling Law
Vla
Vlm
Wam
世界模型
AI 估算 · 70k–110k
高德地图属于阿里系，北京算法岗高级职位薪资偏高，结合3年以上经验和大模型方向稀缺性，预估月薪70k-110k。
职位详情
关于这个职位
高德地图视觉技术中心招聘VLA基座模型算法工程师，专注于研发下一代VLA/WAM大模型、世界模型及强化学习算法，推动具身智能在物理世界的落地
你将利用高德独有的时空数据优势，构建自动化数据闭环，并参与开源社区建设，定义行业标准
适合在空间智能和具身智能领域有深厚技术积累的研发人才
最低要求
学历与专业背景：计算机/机器人/AI 相关专业硕士及以上学历，3 年以上多模态大模型或具身智能核心研发经验
项目经历（满足其一）：
主导过 VLA/VLM/WAM 至少一个方向从 0 到 1 的模型研发，并完成千卡级以上预训练 + 端到端落地
主导过世界模型 / 世界动作模型 / 视频生成方向有显著影响力的项目（开源数据集、可复现 Benchmark、顶会 oral/spotlight）
主导过大规模 RL 训练（PPO/GRPO/SAC），完成 Sim-to-Real 闭环验证或真机部署
专业技能：
L3 级具身智能算法能力：能独立设计 VLA / WAM 架构，主导预训练数据配比、后训练 RL 策略与 Reward Model 设计
训练工程能力：熟练使用 Megatron / DeepSpeed / FSDP，具备分布式训练性能调优与故障自恢复能力
数据闭环设计能力：能基于高德时空数据资源设计自动化具身数据生产、清洗与评测管线，解决具身领域 Scaling Law 落地难题
跨模态系统认知：理解从感知—世界模型—决策—动作的完整闭环，能识别瓶颈环节并定位优化路径
工作职责
具身基座模型 (Embodied Foundation Models)： 研发下一代VLA/WAM大模型，突破多模态指令到精准动作映射的瓶颈，实现跨场景的零样本迁移能力
世界模型 (World Models)： 构建基于大规模视频生成的物理世界模拟器，利用生成式AI预测场景演化，为具身智能提供无限的训练“想象空间”
大模型后训练与强化学习 ： 探索GRPO、PPO、SAC等算法在多模态大模型、具身控制上的应用，通过大规模强化学习提升Agent在复杂时空环境下的决策边界
大规模数据合成与闭环： 利用高德独有的时空数据优势，构建自动化的具身数据生产、评测管线，解决Scaling Law在具身领域的落地难题
开源影响力与行业基准： 主导或深度参与具身智能开源项目建设
我们鼓励将核心算法框架、高质量具身数据集或评估基准贡献给开源社区，打造具有行业号召力的开源作品，定义下一代具身智能的技术标准
AI 洞察
优缺点分析
优点
- 前沿技术方向：VLA/世界模型是AGI最热门赛道，技术壁垒高，未来前景广阔
- 独特数据优势：高德拥有海量时空数据和真实场景，为模型训练提供独特资源
- 强学术生态：与清华、北大等顶尖机构合作，可参与开源项目，提升个人影响力
- 亿级用户验证：技术直接服务于数亿用户，成果落地性强，成就感高
- 技术难度极高：需要同时掌握多模态、强化学习、分布式训练等多领域知识，入门门槛高
- 工作强度可能较大：算法迭代快，需要持续跟踪前沿，且涉及大规模训练调试，时间投入大
- 竞争激烈：高德/阿里内部人才密度高，且该岗位吸引顶尖候选人，需持续保持技术领先
- 适合在具身智能或多模态大模型领域有3年以上研发经验，热爱前沿技术探索，具备极客精神并愿意在开放世界场景中打磨技术的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术方向：从算法工程师成长为具身智能领域专家，主导世界模型或VLA架构演进
- 管理方向：可晋升为技术Leader，带领团队攻克空间智能核心难题
- 行业影响力：通过开源项目和高水平论文成为具身智能社区的意见领袖
- 研发VLA/WAM等具身基座模型，实现多模态指令到动作的映射和零样本迁移
- 构建基于视频生成的物理世界模拟器，为具身智能提供训练数据
- 探索GRPO/PPO等强化学习算法，优化大模型在复杂环境中的决策能力
- 设计自动化数据生产与评测管线，利用高德时空数据解决Scaling Law落地问题
- 精通VLA/VLM/WAM等模型架构设计，具备千卡级预训练和端到端落地经验
- 熟练使用Megatron/DeepSpeed/FSDP进行分布式训练优化
- 掌握强化学习算法（PPO/GRPO/SAC）及Sim-to-Real闭环验证
- 具备跨模态系统认知，能从感知到动作全链路识别优化瓶颈
申请策略
- 在简历中量化技术成果：如模型指标提升幅度、数据合成规模、部署后的实际效果等
- 面试前深入了解高德视觉技术中心的开源项目（如GitHub主页），准备对现有工作的改进思路
- 突出VLA/VLM/WAM等模型从0到1的研发经历，包括模型架构、训练规模（千卡级）和落地效果
- 强调分布式训练工程能力：详细说明使用Megatron/DeepSpeed进行调优和故障恢复的经验
- 展示强化学习项目：PPO/GRPO/SAC在具身控制或大模型上的应用，最好有Sim-to-Real结果
- 列出开源贡献或顶会论文（oral/spotlight），体现技术影响力
- 若缺乏大规模RL经验，可系统学习PPO/GRPO算法并复现经典论文，尝试在仿真环境中实验
- 补充世界模型/视频生成相关知识，熟悉VideoGPT、Sora等模型原理，了解如何用生成模型做数据增强
面试指南
- 项目经验类：按 STAR 原则（情境-任务-行动-结果）组织回答，突出技术细节和量化成果
- 开放设计类：先明确问题核心，再分步骤给出方案，体现系统思维和工程落地考量
- 对比分析类：先阐述各自原理和适用场景，再结合实际需求给出选择理由
- 请详细描述你主导的VLA模型架构，包括数据配比策略和训练技巧
- 如何解决具身智能中Scaling Law的落地难题？设计一个数据闭环方案
- 比较PPO和GRPO在多模态大模型中的应用，你如何选择？
- 你在分布式训练中遇到过哪些性能瓶颈？如何调优？
- 如何看待世界模型在具身智能中的作用？如何构建一个有效的物理模拟器？
职位点评
75
综合评分
顶级技术挑战、前沿研究方向、强薪酬竞争力，但工作生活平衡可能较差。
更适合这类人
该职位最适合追求技术成长和行业影响力的求职者，愿意投入高强度工作以换取前沿技术积累和职业发展。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展95
工作生活30
使命价值90
薪资福利
85较高
作为阿里旗下高德的高级算法岗位，薪资水平在行业内具有较强竞争力（预估70k-110k/月），且上市公司福利完善。但JD未明确提及具体薪资和福利细节。
薪资信号未披露（AI估算：70K-110K/月）
成长发展
95较高
该岗位处于具身智能前沿，技术栈先进（VLA、世界模型、强化学习），且有开源和学术合作机会，发展空间极大。JD明确要求技术前沿性和创新能力，成长信号强烈。
技术前沿前沿/新兴技术
技术栈VLA、VLM、WAM、世界模型、强化学习、PPO、GRPO、Megatron、DeepSpeed
成长机会开源项目、学术合作、前沿研究
业务类型ambiguous
工作生活
30较低
JD未提及工作模式和WLB，但从岗位性质（算法研发+大规模训练）和公司文化推断，可能加班较多，且工作地点在北京核心区域，通勤压力大。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
90较高
岗位聚焦于物理世界智能体系统，直接改善数亿人出行方式，社会意义和行业影响力显著。技术属于开拓性创新，且高德在空间智能领域有独特优势。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号改变数亿人的出行方式、开放世界智能体
创新程度开拓性创新（行业首创）
Watch Jobs