具身智能算法实习生（预训练 Infra 方向）

优缺点分析

角色解读

• 从预训练框架开发起步，深入理解VLA、大模型等算法细节，未来可转向算法研究员或AI系统工程师
• 积累分布式训练和多模态数据处理经验，向AI基础设施架构师方向发展
• 长期实习可参与核心算法复现与优化，为全职研发岗打下坚实基础
• 参与具身智能统一预训练框架的设计与迭代，支撑VLA、大模型等模型的高效训练
• 开发多模态数据加载体系，支持图片、视频、点云等多种格式的预处理
• 参与分布式并行策略（数据并行、模型并行等）的开发与测试，优化训练效率
• 构建数据全生命周期工具链，包括版本管理、质量筛选、配比策略等
• 扎实的Python编程能力和PyTorch使用经验，有深度学习项目实践
• 对多模态模型、大模型、世界模型等前沿方向有基础理解或强烈兴趣
• 良好的工程意识和代码规范，愿意深入底层原理
• 加分项：分布式训练框架经验、论文复现或开源贡献

申请策略

• 在申请邮件或备注中表达对具身智能方向的热情和长期实习意愿
• 如有GitHub或个人博客，展示相关技术积累会更加分
• 突出深度学习项目经验，尤其是使用PyTorch进行模型训练或数据处理的项目
• 如果有分布式训练相关经验（如DeepSpeed、Megatron）或开源贡献，务必重点列出
• 强调对多模态、大模型、世界模型的理解，可在简历中附上相关论文阅读笔记或复现链接
• 提前熟悉PyTorch分布式训练模块（DDP、FSDP）及相关框架（DeepSpeed、Megatron）
• 补充多模态数据处理知识，了解常见数据格式（图片、视频、点云）的预处理流程

面试指南

• 使用STAR法则描述项目，重点突出技术挑战和解决方案
• 对分布式并行策略的回答可先解释基本原理，再结合自身经验或学习心得
• 对于开放式优化问题，体现系统思维，从数据、模型、硬件多个维度分析
• 请介绍一下你使用PyTorch做的深度学习项目，遇到过哪些工程问题？
• 你对VLA或多模态大模型的理解是什么？训练这类模型有哪些挑战？
• 分布式训练中数据并行和模型并行有什么区别？你是否有使用FSDP或DeepSpeed的经验？
• 如何设计一个高效的多模态数据加载流水线？请考虑图片、视频等不同格式
• 如果你发现一个预训练模型的训练速度很慢，你会从哪些方面进行优化？