面壁智能
实习世界模型算法实习生
北京 · 实习 · 2027 届 · 不限
长期有效
任职要求
- - 熟悉 PyTorch，能独立跑训练、复现 baseline、定位不收敛/模式崩坏/性能瓶颈。
- - Python 工程能力强：数据管线、可视化、实验管理（Git/配置/日志）靠谱。
- - 了解序列/生成式建模任一方向：diffusion/DiT、autoregressive、VAE/VQ、masked modeling 等。
- - 能快速读 paper 并落地成可验证实验（ablation + 结论清晰）。
- 加分项
- - 做过视频生成/视频 tokenizer/latent diffusion 或相关开源复现（如 Open-Sora 风格 pipeline）。
- - 做过 world model + planning/control（如 imagined rollouts/MPC/trajectory sampling）。
- - 熟悉仿真/机器人数据（IsaacSim/MuJoCo/ROS/真实机械臂数据采集与回放）。
- - 有分布式训练/推理优化经验（FSDP/DeepSpeed/ONNX/TensorRT 等）。
岗位描述
- - 处理并构建世界模型训练数据：视频/轨迹切片、对齐、清洗、统计与可视化（支持 action-conditioned 格式）。
- - 参与训练/调试世界模型核心模块：视频 tokenizer / latent 表征、latent dynamics（预测/生成/rollout）。
- - 搭建评测：短期预测 + 长期 rollout 漂移 + 一致性/可控性指标，并做误例分析。
- - 将世界模型与下游对接：为 planning / policy 提供 rollout、state/memory 或不确定性信号（先从小任务验证）。
- - 维护可复现实验与工具链：训练脚本、配置、日志、自动化回归与加速优化。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。