智能体/具身/全模态RL Infra大模型算法工程师/架构师

优缺点分析

角色解读

• 成为AI大模型算法专家或首席科学家，主导核心技术方向
• 向技术管理路线发展，带领团队攻克系统级难题
• 跨领域拓展至具身智能、自动驾驶等前沿应用
• 研发智能体/具身/全模态大模型算法，结合强化学习后训练（RL Infra）优化模型训练、生成和仿真渲染效率
• 基于MoE/DiT架构，进行算法与系统协同设计，包括样本均衡、并行策略、压缩量化剪枝等技术优化
• 追踪前沿技术，开展创新研究并发表高影响力论文，提升团队技术影响力
• 扎实的计算机科学功底和编程能力，熟悉VLM、VLA、World Model等模型效能优化
• 精通强化学习算法及RL Infra框架（如veRL、ROLL等），有AI Infra全栈优化经验
• 了解物理/图形引擎（如NVIDIA Isaac Sim），掌握分布式训练和大模型架构（MoE/DiT）

申请策略

• 提前了解京东AI Infra团队的技术博客或开源项目，面试中展示技术热情
• 准备一个完整的项目案例，从问题定义到优化方案，体现算法与系统结合的能力
• 突出大模型训练优化项目经验，如使用Megatron、DeepSpeed等框架
• 强调强化学习相关项目（如RLHF、RL in Robotics）和开源贡献
• 展示在顶级会议/期刊的论文发表或竞赛获奖（CPhO、ACM等）
• 深入学习veRL、NemoRL等RL Infra工具，动手实现简易版
• 熟悉MoE和DiT架构细节，阅读相关论文并复现代码
• 了解NVIDIA Isaac Sim或其他物理仿真环境

面试指南

• 先明确问题核心，再分步骤阐述（原理+实践+结果）
• 结合具体技术点，如并行策略、显存优化、梯度同步等
• 最后总结挑战与改进方向，展示思考深度
• 如何优化大模型训练中的通信瓶颈？请结合MoE架构说明
• 解释强化学习在智能体训练中的应用，如何处理长序列奖励？
• 对比veRL和NemoRL的异同，你更倾向哪种？
• 如何设计一个高吞吐低延迟的RL Infra推理系统？
• 描述你参与过的一个复杂AI项目，如何平衡算法效果与系统性能？