vla算法工程师

•负责 VLA / World Model 训练效率优化：Profiling 训练全链路瓶颈（GPU 计算利用率、数据加载吞吐、通信开销），落地分布式训练加速方案（DeepSpeed ZeRO、FSDP、Mixed Precision Training）
•优化多模态数据加载 Pipeline：大规模 Episode 数据的高效读取（Streaming、Prefetch、多进程 DataLoader）、视觉 + 语言 + Action 多模态数据对齐与预处理加速
•负责 VLA 模型推理加速与真机部署：调研并落地 TensorRT / TensorRT Edge-LLM、ONNX Runtime、Quantization（INT8/FP8）等方案，满足真机 Real-Time Action 推理需求（10–30Hz）
•基于阿里云 PAI 平台搭建团队训练工作流：PAI-DLC 任务提交与调度、TorchAcc 训练加速集成、OSS 数据存储与高效读取
•构建面向 VLA 研发的 CI/CD Pipeline：代码质量自动检查（Ruff + MyPy + Pytest）、模型 Evaluation Benchmark 自动运行（Isaac Sim / ManiSkill / LIBERO Success Rate）、Regression Test 防止模型退化
•开发 Profiling 与监控工具：训练 GPU 利用率监控、推理延迟 Dashboard、Action Frequency 实时监控，帮助算法研究员快速定位性能瓶颈
•搭建实验管理与模型版本管理：实验追踪平台部署与规范、Model Registry、Checkpoint 存储策略（自动清理 + 最优保留）
•编写 Infra 文档和使用手册，降低算法研究员的基础设施使用门槛
任职要求
•计算机科学、软件工程等相关专业本科及以上学历
•熟练使用 Python，有 PyTorch 训练 Pipeline 开发或性能优化经验
•了解分布式训练原理与实践（Data Parallel、Gradient Checkpointing、Mixed Precision Training），有实际调优经验
•有模型推理优化经验：了解 TensorRT、ONNX Runtime、Quantization 中至少一项
•熟悉 Linux 系统，有 GPU 环境配置与调试经验（CUDA、cuDNN、NCCL）
•有性能 Profiling 意识，善用 PyTorch Profiler / NVIDIA Nsight Systems 等工具定位瓶颈
•熟悉 Git 和 CI/CD 工具（GitHub Actions 或 GitLab CI），能编写自动化测试与部署脚本
•熟悉 Docker 和容器化部署，了解云平台 GPU 实例使用
加分项
有阿里云 PAI / PAI-DLC / TorchAcc 使用经验
熟悉 DeepSpeed / FSDP / Megatron-LM 等分布式训练框架的深度调优
有 TensorRT / TensorRT Edge-LLM 在机器人或边缘端部署的经验
了解 VLA / Diffusion Model / VLM 的训练特点与常见 Profiling 问题（如 Diffusion Denoising 步数对延迟的影响）
有 Kubernetes / Ray 等资源调度系统使用经验
有 MLOps 实践经验（MLflow、Kubeflow 等）