Momenta
实习世界模型算法工程师(Mstar)
北京/上海/苏州 · 实习 · 2027 届 · 不限
长期有效
任职要求
- 扎实的深度学习基础，熟练使用PyTorch，具备优秀的前沿视野、工程实现与问题定位能力。
- 掌握一种以上分布式训练框架、具有大规模集群训练或模型Scaling经验。
- 自驱力强，逻辑清晰，具备良好的沟通协作与技术攻坚能力，热爱前沿 AI 技术与真实场景落地。
- 加分项
- 精通世界模型/视频生成核心技术，具备模型从0到1搭建、迭代与落地经验，追求技术极致与长期价值。
- 多模态其他方向（语音/图像/3D/VLA等）完整研发经验，熟悉预训练、微调、对齐全流程；具备强技术迁移能力，强烈意愿深耕世界模型与物理 AI 方向，能独立攻坚与推进项目。
- Policy Model、Sim2Real、机器人 / 自动驾驶感知 / 决策相关经验。
- 开源项目贡献者或顶会论文作者。
岗位描述
我们致力于打造面向真实物理世界的Policy世界模型，依托 Momenta海量真实物理交互数据，聚焦先进模型架构设计与大规模Scaling，构建具备物理一致性、长时序推理与可交互能力的下一代 AI 基础模型。团队覆盖多模态统一理解与生成、VLA、端侧 Policy Model 、视频生成全链路，提供行业最一线、最核心的研发机会，推动技术从模型创新到Physical AI在真实场景落地。
- 1. 深耕世界模型前沿架构设计，探索物理世界的 Scaling Law。推进Policy模型架构往理解生成统一，MoE/MoT等前沿架构演进。结合大规模真实数据，推进模型工程化、性能极致化与规模化迭代。
- 2. 负责物理自洽视频生成世界模型研发。包括扩散模型、时序建模、长视频生成、高性能多模态表征探索与推理优化算法研发和前沿探索，构建可预测、可交互、具备物理约束的生成式世界模型。
- 3. 参与端侧 Policy Model全链路研发，打通仿真生成与真实世界决策闭环，支撑自动驾驶等核心场景落地。
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。