智元机器人
具身基座大模型算法实习生- Genie业务部
具身基座大模型算法实习生- Genie业务部
发布于 1 天前实习/见习
上海市 / 北京市
无经验要求
实习生
仅现场办公
硕士
研究与开发 (研发)
Ppo
Pytorch
Sac
Videogen
Vla
Vlm
具身智能
分布式训练
大模型
AI 估算 · 6k–10k
作为实习生岗位，薪资参考硕士实习生市场水平，B轮公司提供有竞争力的补贴，且涉及前沿技术。
职位详情
关于这个职位
该职位是智元机器人Genie业务部的具身基座大模型算法实习生，参与具身智能通用模型研发，覆盖VLM/VLA/VideoGen等关键环节
你将与数据、系统、仿真、硬件团队协作，探索数据配方与scaling law，并撰写技术文档和学术论文
适合对机器人、多模态大模型和强化学习有深刻理解的研究型人才
最低要求
硕士及以上学历，计算机/机器人/AI 等相关方向
熟悉大模型训练体系，有预训练或后训练经验，对 LLM/VLM/VLA/VideoGen 有较深理解
具备强化学习相关经验（PPO/SAC 等），有 Online RL / Offline RL类训练实践经验者优先
熟悉或跟进过主流 VLA 路线（如 π系列等），有复现/改进经验更佳
熟练 PyTorch，有大规模分布式训练经验优先
顶会论文或同等研究/工程成果优先（CVPR/NeurIPS/ICLR/RSS/ICRA/CoRL/IROS 等）
工作职责
参与具身智能基础模型研发，覆盖 VLM/VLA/VideoGen 预训练、后训练与强化学习等关键环节，打造可跨不同机器人平台泛化的通用模型
设计多模态模型结构与训练策略，融合图像/视频/语言/触觉/动作等信息，提升理解、推理与执行能力
探索具身领域的数据配方与 scaling law，沉淀可复用的训练范式与评测结论
面向复杂任务与长时序任务，构建训练—评测—迭代闭环，持续提升成功率、稳定性与鲁棒性
与数据/系统/仿真/硬件团队协作，推进模型训练、验证、部署与迭代落地
撰写技术文档和学术论文，分享研究成果并在技术社区中展示创新技术
AI 洞察
优缺点分析
优点
- 深度参与具身智能前沿研究，接触VLM/VLA等最热门方向，技能积累含金量高
- 团队来自顶尖公司，有顶级会议论文发表机会，研究氛围浓厚
- B轮融资公司资源充足，数据与计算资源有保障，能快速验证想法
- 研究方向前沿且难度大，需要同时掌握大模型、强化学习、机器人等多领域知识
- 实习生需快速上手并产出成果，工作节奏可能较快，对自主学习能力要求高
- 适合对具身智能、多模态大模型和强化学习有浓厚兴趣，有一定研究基础，希望在工业界前沿实验室积累经验的硕士/博士在读生
缺点 / 挑战
- 跨团队协作频繁，沟通成本较高，需具备较强的协调能力
角色解读
- 实习期间深入掌握具身智能核心算法，积累从研究到工程落地的全链路经验
- 优秀实习生可转正为正式研究员/算法工程师，参与更核心的模型迭代与创新
- 长期可发展为具身智能/多模态大模型领域的资深专家或技术Leader
- 参与具身智能基础模型（VLM/VLA/VideoGen）的研发，包含预训练、后训练与强化学习全流程
- 设计多模态模型架构，融合图像、视频、语言、触觉、动作等多源信息
- 探索数据配方与scaling law，建立训练-评测-迭代闭环以优化模型性能
- 与数据、系统、仿真、硬件团队协作推进模型落地，并撰写论文与技术文档
- 扎实的机器学习/深度学习基础，熟悉大模型训练体系与强化学习（PPO/SAC等）
- 精通PyTorch，具备大规模分布式训练经验优先
- 对VLM/VLA/VideoGen等前沿方向有深入理解，有相关项目或论文经验
- 良好的团队协作与沟通能力，能跨团队推动研发落地
申请策略
- 在简历和求职信中明确表达对具身智能领域的热情，并附上相关思考笔记或博客
- 提前了解智元机器人的技术方向（如Genie业务部），面试中展示对该公司的研究兴趣
- 突出大模型预训练/后训练或强化学习相关项目经验，附上GitHub链接
- 强调顶会论文（CVPR/NeurIPS等）或扎实的复现/改进工作
- 展示分布式训练、PyTorch优化等工程能力，以及跨团队协作的实例
- 系统复习VLM/VLA经典论文（如LLaVA、RT-2、π系列等），并动手复现基础模型
- 补充强化学习相关实践，使用OpenAI Gym或MuJoCo进行Online RL实验
- 熟悉大规模分布式训练工具（如DeepSpeed、Megatron-LM），并尝试在集群上调试
面试指南
- 回答技术问题时，先给出核心原理，再结合个人项目经验，最后指出挑战及改进方向
- 对于开放性问题，使用结构化框架：现状-问题-方案-验证，体现系统性思维
- 请详细讲解VLM的训练流程，包括数据构建、模型架构和损失函数
- 如何将强化学习应用于机器人操控任务？请举一个具体的PPO实现案例
- 解释VLA模型如何实现从视觉到动作的映射，并讨论其局限性
- 描述一次你处理大规模分布式训练的经验，比如遇到过的通信瓶颈与解决方案
- 你如何看待scaling law在具身智能领域的应用？与NLP有何异同？
- 复习CVPR/NeurIPS等顶会近期具身智能相关论文（如RT-2、Octo等），理解核心贡献
职位点评
64
综合评分
前沿具身智能实习，技术含金量极高，薪资偏低但发展空间巨大。
更适合这类人
适合极度看重技术成长和学习机会、不在意短期薪资回报的实习生。
表现最好
成长发展
相对薄弱
薪资福利
薪资福利30
成长发展95
工作生活50
使命价值80
薪资福利
30较低
实习生薪资较低且无明确福利承诺，但B轮公司提供一定补贴，市场水准偏低。
薪资信号未披露（AI估算：6K-10K/月）
成长发展
95较高
职位涉及最前沿的具身智能技术（VLM/VLA/RL），有论文发表机会，成长空间极大。
技术前沿前沿/新兴技术
技术栈VLM、VLA、VideoGen、大模型、强化学习、PyTorch、分布式训练
成长机会撰写技术文档和学术论文
业务类型ambiguous
工作生活
50较低
仅现场办公，地点在上海/北京核心区域，但实习生通常有弹性空间，整体WLB中等。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
80较高
具身智能是高速增长赛道，技术对社会有重大影响，但JD未强调使命感，整体意义感较高。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs