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

• 技术深耕：成为大模型RL Infra领域的专家，主导核心算法与系统设计
• 学术影响力：通过在顶会发表论文，建立个人学术声誉
• 团队领导：未来可带领技术团队，负责更大规模的AI基础设施项目
• 研发智能体/具身/全模态大模型的强化学习训练基础设施，优化模型训练与推理效率
• 基于MoE/DiT等先进架构，进行算法与系统的协同设计，实现极致性能
• 跟踪前沿技术，在顶级学术会议发表论文，推动技术影响力
• 扎实的计算机科学基础，精通Python和C++，熟悉分布式系统
• 深入理解大模型架构（如Transformer、MoE、DiT）及RL算法（PPO、GRPO等）
• 熟悉AI Infra全栈优化，包括并行策略、显存优化、算子融合等
• 具备NVIDIA Isaac Sim等物理引擎使用经验，或有VLM/VLA研究背景

申请策略

• 深入了解京东的业务场景，思考如何将RL Infra技术应用于供应链、物流等实际场景
• 在面试中展示对RL Infra领域前沿进展的跟踪和理解，提出自己的技术见解
• 突出AI Infra项目经验，尤其是大模型训练/推理优化、RL Infra相关成果
• 强调开源贡献或顶会论文，体现技术影响力
• 详细描述在MoE/DiT、并行计算、显存优化等方面的具体工作
• 如有竞赛获奖（CPhO/ACM/NOI）务必注明
• 补充强化学习算法（PPO、GRPO）和RL Infra工具（veRL、NemoRL）的实践经验
• 学习NVIDIA Isaac Sim或其他物理仿真引擎，掌握具身智能仿真环境

面试指南

• STAR法则：描述情境、任务、行动和结果，突出技术难点和你的贡献
• 对比分析：先说明不同方法的原理，再结合实际场景给出选择理由
• 端到端思考：从算法到系统全面考虑，展示系统化设计能力
• 请介绍你在大模型训练或推理优化方面的项目经验，遇到了哪些挑战？如何解决？
• 解释MoE和DiT架构的区别，以及它们在大模型训练中的优势和劣势
• 如何设计一个高效的RL训练pipeline？请从数据收集、模型更新到推断部署完整阐述
• 你如何理解和优化Scale-Law？在实际工程中如何权衡模型大小和推理成本？
• 在RL Infra中，你如何实现多机多卡并行？请列举并比较常见的并行策略