智元机器人
具身算法工程师-具身应用工程中心
具身算法工程师-具身应用工程中心
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Pytorch
Rl
Sft
Sim2Real
Vla
Wam
具身大模型
推理优化
机器人部署
值不值得投
79综合评分
综合评分 79
前沿具身智能赛道、技术成长空间极大、薪资预期高，但真机调试压力较大且WLB未明确。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5万
比具身智能中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 1510 个在招 · 其中具身智能 45 个
市场机会
选择面较广
上海 · 具身智能 · 67 个在招
职位详情
关于这个职位
该职位负责VLA/WAM具身大模型在真实场景中的落地与迭代，打通从模型训练到真机部署的完整链路
你需要构建多机器人平台的模型适配方案，搭建后训练pipeline，并与感知、运控团队协同，确保策略输出的物理安全性与实时性
最低要求
硕士及以上，计算机 / AI / 机器人 / 自动化等相关专业
熟悉主流 VLA 架构（如 RT-2、OpenVLA、π0、GR00T 等），理解视觉-语言-动作联合建模与端到端学习的核心思路
具备模型后训练（SFT + RL）的实际落地经验，熟悉分布式训练框架
精通 Python + PyTorch，具备模型训练、调优与工程化部署的完整能力
有真机部署调试经验，了解 Sim2Real 迁移、模型量化 / 推理加速等工程化技术
工作职责
负责 VLA/WAM 具身大模型在真实场景中的落地与迭代，打通从模型训练到真机部署的完整链路
构建面向多机器人平台（机械臂、人形等）的模型适配与微调方案，解决跨硬件形态的动作表征与泛化问题
搭建后训练（Post-Training）pipeline，涵盖 SFT 数据构建、RL 微调、评测与闭环迭代，持续提升模型在实际任务中的成功率
与感知、运控、硬件团队协同，设计模型与底层控制器（WBC/MPC）的接口方案，确保策略输出的物理安全性与实时性
跟踪 VLA/WAM 领域前沿进展，快速验证新技术在工程场景中的可行性并推动落地
协助模型在机器人芯片上的推理优化与部署调试，参与推理延迟、吞吐量等性能瓶颈的定位与改进
优先资格
有 VLA 模型从训练到多平台真机部署的完整项目经验
熟悉模仿学习（BC / Diffusion Policy）与 RL（PPO / SAC / GRPO）算法
NeurIPS / ICML / ICLR / CoRL 等顶会论文或高质量开源贡献
AI 洞察
优缺点分析
优点
- 处于具身智能与人形机器人这一高速增长的前沿赛道，技术壁垒高，行业前景广阔
- 能够接触从模型训练、后训练到真机部署的完整链路，积累稀缺的软硬结合工程经验
- 公司在具身智能领域处于行业头部，平台资源丰富，能接触到顶尖的硬件与算法团队
- 需要与感知、运控、硬件等多个团队紧密协同，跨部门沟通与系统级联调的工作量较大
- 适合具备扎实深度学习基础、有真机部署或机器人控制经验，且对具身智能前沿技术有强烈热情的算法工程师
缺点 / 挑战
- 具身大模型在真机部署中面临物理安全性、实时性及Sim2Real鸿沟等复杂工程挑战，技术难度极高
角色解读
- 在具身智能这一前沿赛道积累从算法到真机落地的全栈经验，成为端到端大模型部署专家
- 未来可向具身智能算法架构师、技术专家或具身应用工程团队负责人方向发展
- 负责VLA/WAM具身大模型在真实物理场景中的落地与迭代，打通从模型训练到真机部署的全链路
- 构建面向机械臂、人形机器人等多平台的模型适配与微调方案，解决跨硬件形态的泛化问题
- 搭建后训练pipeline，涵盖SFT数据构建、RL微调与评测闭环，并与感知、运控团队协同设计底层接口
- 精通Python与PyTorch，熟悉主流VLA架构（如RT-2、OpenVLA等）及端到端学习核心思路
- 具备模型后训练（SFT+RL）的实际落地经验，熟悉分布式训练框架与真机部署调试
- 了解Sim2Real迁移、模型量化与推理加速等工程化技术，能进行推理延迟与吞吐量优化
申请策略
- 提前了解公司的核心产品及其技术路线，在面试中展现对公司业务方向的深刻理解
- 重点突出VLA/WAM模型或端到端大模型的项目经验，尤其是从训练到真机部署的完整闭环经历
- 详细列出在后训练（SFT+RL）、分布式训练框架以及Sim2Real迁移方面的具体落地成果与优化指标
- 若有顶会论文（NeurIPS/ICML/CoRL等）或高质量开源贡献，需在简历显著位置展示
- 深入学习模仿学习（BC/Diffusion Policy）与强化学习（PPO/SAC/GRPO）算法，补齐后训练技能栈
- 熟悉机器人底层控制器（WBC/MPC）原理，提升与运控团队协同设计接口的系统级理解能力
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出在真机部署中遇到的具体工程挑战及你的解决思路
- 在回答系统协同问题时，展现全局视角，说明如何平衡算法性能与底层硬件的物理限制及实时性要求
- 请详细介绍一个你主导的VLA或端到端大模型从训练到真机部署的项目，遇到了哪些Sim2Real问题及如何解决？
- 在搭建后训练pipeline时，你是如何构建SFT数据以及设计RL奖励函数的？如何评估模型在实际任务中的成功率？
- 如何设计模型与底层控制器（WBC/MPC）的接口，以确保策略输出的物理安全性与实时性？
- 在机器人芯片上进行推理优化时，你采用了哪些模型量化或加速技术？如何解决延迟和吞吐量瓶颈？
- 复习VLA/WAM领域的最新顶会论文（如RT-2、OpenVLA、π0等），理解其核心架构与端到端学习思路
- 准备1-2个具有代表性的真机部署或Sim2Real迁移案例，准备好相关的性能指标数据（如成功率提升、延迟降低等）
职位点评
薪资福利80
成长发展95
工作生活50
使命价值90
薪资福利
80较高
具身智能算法岗属于当前市场高薪赛道，虽JD未明确披露薪资，但结合硕士学历与真机落地经验要求，预期薪资具备较强竞争力。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
95较高
岗位处于具身智能最前沿，涉及VLA大模型与真机部署全链路，技术成长空间极大，能积累极具稀缺性的软硬结合经验。
技术前沿前沿/新兴技术
技术栈VLA、WAM、PyTorch、SFT、RL、Sim2Real、Python
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与WLB相关信息，但具身智能研发通常涉及大量真机调试，工作节奏可能较快。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
90较高
具身智能与人形机器人是极具社会价值与未来感的新兴领域，推动大模型在物理世界的落地具有强烈的科技使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs