具身智能算法工程师（预训练 Infra 方向）-觅蜂子公司

优缺点分析

角色解读

• 从预训练框架工程师成长为AI基础设施架构师，主导大规模训练平台的设计
• 深入具身智能算法核心，转型为VLA/世界模型算法专家，推动模型创新
• 随着公司发展，可晋升为技术负责人或团队Leader，管理Infra团队
• 设计并实现具身智能统一预训练框架，支持VLA、大模型、世界模型等多种架构
• 优化分布式训练策略，包括数据并行、模型并行、流水线并行等，适配百亿到千亿级模型
• 构建多模态数据加载体系，处理图片、视频、点云、触觉等数据格式
• 建立数据全生命周期管理，涵盖版本管理、质量筛选、配比策略
• 扎实的Python/C++编程能力，精通PyTorch内部机制（分布式训练、自动微分等）
• 深入理解多模态模型、视频生成、世界模型的训练范式和优化技巧
• 熟悉DeepSpeed、Megatron、FSDP等分布式训练框架及并行策略
• 良好的系统设计能力，能从零构建或重构训练框架

申请策略

• 在自我介绍中表达对具身智能基础设施的热情，并说明如何将算法insight转化为框架能力
• 提前了解觅蜂科技的业务方向（物理AI数据），思考如何与预训练框架结合
• 突出分布式训练实战经验，如使用DeepSpeed/Megatron完成的训练任务
• 强调多模态数据处理或预训练框架设计的相关项目，最好有从零构建的经历
• 列出复现顶会论文或优化训练性能的具体成果，用数据量化
• 展示系统设计能力，如设计文档、架构图或开源贡献
• 补充对VLA、世界模型等最新论文的阅读和复现，理解其训练特性
• 练习PyTorch源码阅读和自定义算子开发，加深对自动微分和调度的理解

面试指南

• 按照“问题-方案-权衡”的结构回答：先明确问题背景，然后给出多种方案并分析优缺点，最后结合场景推荐最佳方案
• 使用STAR原则描述过往项目经验：情境、任务、行动、结果，尤其突出技术挑战和量化成果
• 对于原理性问题，先给出定义，然后逐步深入细节，展现系统理解
• 请详细解释DeepSpeed的ZeRO优化器不同阶段的原理和适用场景
• 如何设计一个多模态数据加载流水线来支持高效训练？
• 当训练VLA模型遇到显存不足时，你会采用哪些策略？
• 请谈谈你对VLA模型训练范式的理解，与纯文本大模型有何不同？
• 你如何评估和选择分布式并行策略？