算法工程师-具身智能

北京 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1.本科及以上学历，计算机、人工智能、软件工程、数学、自动化等相关专业优先；
2.具备扎实的数学、算法和编程功底，熟练掌握 Python 或 C/C++；
3.深入理解深度学习原理，熟练使用 PyTorch、TensorFlow、JAX 等至少一种框架；
4.在计算机视觉、自然语言处理、机器人决策规划、控制理论、强化学习等一个或多个领域有深入研究或项目经验；
5.具备跨学科协作意识，能够与工程、硬件团队高效沟通，共同推进目标达成；
6.对具身智能领域充满热情，具备强大的自驱力和抗压能力。
【加分项】
1.论文成果：在国际顶级期刊或会议（如CVPR, ICCV, NeurIPS, ICML, ICLR, ICRA, IROS, CoRL, RSS等）以第一作者发表过高质量论文；
2.竞赛获奖：在ACM-ICPC/NOI、Kaggle、国内外顶尖数学/机器人大赛中取得优异成绩；
3.有过实际机器人硬件平台（如多轴机械臂、足式/人形机器人、轮式底盘）的算法研发或工程化经验，熟悉ROS/ROS2等中间件；
4.开源贡献：在 GitHub 拥有高质量开源项目，或在相关开源社区具有影响力。

岗位描述

1.负责具身智能领域的核心算法研究，包括但不限于多模态感知大模型（VLM/VLA）、强化学习（RL）、模仿学习、机器人运动规划与控制等；
2.研发具有“感知-规划-执行”一体化能力的具身智能大模型，实现机器人在室内外复杂场景下的物体操纵、移动导航、主动环境理解与人机交互；
3.将研究成果转化为实际生产力，解决具身智能机器人在实际任务中的长尾问题，完成从算法预研到硬件平台部署的全流程闭环；
4.紧跟国际SOTA（业界最先进）技术发展，持续推动技术创新，并在真实业务场景（如智能交通、机器人服务、工业协作等）中验证价值。
1.本科及以上学历，计算机、人工智能、软件工程、数学、自动化等相关专业优先；
2.具备扎实的数学、算法和编程功底，熟练掌握 Python 或 C/C++；
3.深入理解深度学习原理，熟练使用 PyTorch、TensorFlow、JAX 等至少一种框架；
4.在计算机视觉、自然语言处理、机器人决策规划、控制理论、强化学习等一个或多个领域有深入研究或项目经验；
5.具备跨学科协作意识，能够与工程、硬件团队高效沟通，共同推进目标达成；
6.对具身智能领域充满热情，具备强大的自驱力和抗压能力。

【加分项】

1.论文成果：在国际顶级期刊或会议（如CVPR, ICCV, NeurIPS, ICML, ICLR, ICRA, IROS, CoRL, RSS等）以第一作者发表过高质量论文；
2.竞赛获奖：在ACM-ICPC/NOI、Kaggle、国内外顶尖数学/机器人大赛中取得优异成绩；
3.有过实际机器人硬件平台（如多轴机械臂、足式/人形机器人、轮式底盘）的算法研发或工程化经验，熟悉ROS/ROS2等中间件；
4.开源贡献：在 GitHub 拥有高质量开源项目，或在相关开源社区具有影响力。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →