面壁智能
实习VLA算法实习生（真机后训练方向）
北京 · 实习 · 2027 届 · 不限
长期有效
任职要求
- 熟悉 ROS/ROS2 系统架构，有真机部署、调试、集成经验；理解常见机器人软件栈。
- 熟练 Python/C++，能独立解决软硬件通信、性能瓶颈、死锁、消息堆积等工程问题。
- 具备数据工程能力：数据清洗、格式转换、可视化、质量验证、回归体系维护。
- 对机械臂运动学/控制链路有直观理解，能和算法/硬件同学把接口对齐。
- 熟悉 Linux 开发环境，具备良好的系统调试、日志分析、脚本自动化和工程文档能力。
- 加分项：
- 做过 Teleop/数据采集项目；做过机器人 benchmark、自动化评测或实验回归平台；做过分布式训练/推理优化/Infra；有 Pi0、OpenVLA、ACT、Diffusion Policy 或其他 VLA/机器人策略模型实操经验者。
岗位描述
- 1. 维护数据与评测：负责真机数据处理、质量验证、评测体系建设。
- - 收集、清洗和管理机器人预训练/微调数据。
- - 商用/开源机械臂系统集成与真机评测；支持 Teleop 数据采集与质量验证。
- - 搭建本地真机评测流程，并集成 RoboChallenge、RoboArena 等开源真机评测体系。
- 2. 模型闭环工程：负责训练脚本、推理优化、部署稳定性、延迟与可靠性优化。
- - 搭建训练和评测环境，支持预训练/微调/效率优化。
- - 将 VLA / 机器人策略模型接入真机控制链路，定位训练、推理、执行中的工程问题。
- - 维护模型版本、数据版本与评测结果之间的追踪和回归机制。
- 3. 硬件/控制：确保模型输出动作可执行、可复现。
- - 对接机械臂、夹爪、相机、控制器等硬件模块。
- - 处理 ROS/ROS2 通信、消息堆积、时序同步、延迟抖动、节点稳定性等问题。
- - 与算法/硬件/控制同学协作，定义清晰稳定的接口和调试流程。
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。