具身基座大模型算法研究员- Genie业务部

优缺点分析

角色解读

• 在具身智能前沿领域深耕，成为VLM/VLA方向的专家，主导下一代模型研发
• 晋升技术Leader，带领团队攻克复杂机器人任务，推动技术落地
• 向研究科学家方向发展，持续发表顶级会议论文，提升学术影响力
• 研发跨机器人平台的通用具身智能模型，涵盖VLM/VLA/VideoGen的预训练与后训练
• 设计多模态模型结构，融合图像、语言、触觉等多种信息提升推理执行能力
• 探索数据配方与scaling law，构建训练-评测-迭代闭环以提升任务成功率
• 与数据、系统、仿真、硬件团队协作推动模型从训练到部署的落地
• 精通大模型训练体系，熟悉LLM/VLM/VLA/VideoGen的原理与训练方法
• 具备强化学习经验，包括PPO、SAC等算法及Online/Offline RL实践
• 熟练使用PyTorch，具备大规模分布式训练经验
• 有顶会论文或同等研究能力，了解主流VLA路线如π系列

申请策略

• 在申请材料中展示你对具身智能技术路线的思考，如数据配方、Scaling Law的看法
• 关注智元机器人的技术博客或公开演讲，在面试中体现对公司技术方向的了解
• 重点突出大模型预训练/后训练经验，列举具体项目及成果（如模型效果提升、Scaling Law发现等）
• 强调强化学习相关项目，说明使用的算法（PPO/SAC等）和在线/离线RL实践
• 列出顶会论文或预印本，特别是与VLM/VLA/具身智能相关的，说明个人贡献
• 展示分布式训练经验，如使用PyTorch DDP/FSDP、Megatron等框架处理大规模数据
• 如果尚未接触VLA路线，建议阅读π系列论文并尝试复现，加深对主流方法的理解
• 补充机器人学基础知识，了解URDF、运动学等，便于与硬件团队协作

面试指南

• STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，适用于项目介绍和问题解决类问题
• 技术对比时先给出定义，再列出关键差异，最后结合实际场景说明选择依据
• 面对开放设计问题，先拆解需求，列出关键子问题，再提出初步方案，体现系统性思考
• 请详细介绍一下你参与过的大模型训练项目，包括模型结构、数据规模和训练策略
• 对比VLM和VLA的区别，你认为当前VLA路线的主要瓶颈是什么？
• 解释PPO算法的核心原理，如何将其应用于具身任务中？
• 描述一次你解决分布式训练中遇到性能瓶颈的经历
• 如果给你一个机器人平台，你如何设计一个通用模型使其适应不同任务？