原力灵机具身智能算法工程师面经（已进三面，记录一下）

《面试题目》

项目深挖

1. 项目的整体思路是什么？
2. 模型为什么这么设计？
3. 数据是怎么构建的？
4. 训练和推理的细节是怎样的？
5. 实际效果如何，有哪些失败 case？
6. 如果继续优化，你会怎么做？

论文讨论

7. 这篇论文的核心 motivation 是什么？
8. 方法是怎么设计的，为什么这样设计？
9. 相比已有方法有哪些优势和局限？
10. 如果让你改进，你会怎么做？

VLA 基础

11. VLA 的基本架构是什么样的？
12. observation / action 如何建模？
13. action chunking 是什么？
14. autoregressive policy 和 diffusion policy 有什么区别？
15. VLM 和 VLA 的区别是什么？
16. VLA 在真实机器人部署中有哪些问题？

IL / RL

17. Behavior Cloning 是什么？
18. distribution shift 指什么？
19. imitation learning 和 RL 的区别是什么？
20. offline learning 和 online learning 有什么区别？
21. 为什么现在很多 manipulation 工作还是以 IL 为主？

手撕代码

22. 手撕：一道算法题。
23. Python / PyTorch 基础实操：张量操作、训练流程与轨迹数据处理。

《参考解析》

项目深挖的准备方式是「从数据一路讲到真机部署」。 面试官会顺着简历上的项目连续追问，问题链基本固定：整体思路 → 为什么这么设计 → 数据怎么来 → 训练与推理细节 → 真实效果与失败 case → 下一步怎么优化。所以每个写在简历上的项目都要准备一条完整链路：任务定义与输入输出、数据采集方式（遥操作、仿真、公开数据集）与清洗标注流程、模型结构与关键设计选择（为什么不用另一个更简单的基线）、训练配置（batch、学习率、迭代步数、显存与并行策略）、推理部署（频率、延迟、量化与蒸馏、上机方式）、以及可量化的评测（成功率、泛化到新物体/新场景的表现）。失败 case 尤其重要，提前准备两三个「什么条件下会失败、你分析的原因是什么、尝试过哪些修法」，能显著拉开与只会背结论的候选人的差距。

论文讨论考的是理解深度，不是引用数量。 追问套路是 motivation → 方法设计 → 与已有方法的差异 → 局限 → 你会怎么改。准备时对每篇要讲的论文回答四件事：它试图解决前人哪个具体缺陷（最好能说出前作名字与它的失败现象）、核心机制是什么（用一两句话讲清关键公式或模块在做什么）、实验设置与结论（数据集、baseline、评测指标、是否有 ablation 支撑）、以及局限（依赖什么假设、在什么场景会退化）。推荐优先准备与 VLA、机器人操作、模仿学习、强化学习相关的论文，因为这家公司的提问方向明确集中在这里。被问到没读过的论文时，如实说不熟悉，然后从你熟悉的相关工作给出判断，比硬编强。

VLA 基础要能把「观测怎么进、动作怎么出」讲成一条完整管线。 典型 VLA 由视觉编码器（ViT/预训练 VLM 主干）、语言指令编码、以及动作生成头构成：observation 一般包括多相机 RGB（有时加深度与本体状态如关节角、夹爪状态），action 是末端位姿增量或关节目标序列。action chunking 指一次预测未来一小段动作序列（如未来 8 到 16 步）而不是单步，好处是降低推理频率需求、缓解时序抖动、让策略更擅长多模态动作分布。autoregressive policy 把动作离散化成 token 后按语言模型方式逐步预测，优点是能复用 VLM 的能力与自回归框架，缺点是推理慢、误差会逐步累积；diffusion policy 则把动作生成建模成去噪过程，能表达多模态分布、动作更平滑，缺点是采样步数带来延迟、需要特殊加速。理解这两条路线各自的取舍，基本能答完整场 VLA 提问。

VLM 与 VLA 的区别、以及真机部署的真实困难。 VLM 是视觉语言模型，输入图像与文本、输出文本，训练目标是理解与生成描述；VLA 在 VLM 的基础上增加了动作输出通道，输入还包含机器人状态，输出是可执行的动作，因此它不只要求「看懂」，还要求「在闭环里做对」，评测也从文本指标变成任务成功率。真机部署的常见问题包括：推理延迟与动作频率不匹配（控制环通常要 10 到 50 Hz，大模型单次前向远慢于此，需要 action chunking、异步推理或蒸馏小模型）、训练分布与真机分布不一致（光照、相机位姿、背景、物体摆放变化）、多模态动作歧义导致抖动或犹豫、长程任务缺少记忆与错误恢复能力、安全性（力控、碰撞、急停）以及数据采集成本高昂。把「延迟—泛化—安全—成本」四个维度摆出来，回答就有结构。

IL 与 RL：概念要分清，业务判断要给出理由。 Behavior Cloning 是最直接的模仿学习，把专家轨迹当成监督学习的 (状态, 动作) 对来拟合，简单稳定、样本效率高，但存在分布漂移（distribution shift）：策略一旦偏离专家分布，就会进入训练时没见过的状态，误差累积越来越偏，也就是常说的复合误差；缓解手段有 DAgger（在线让专家纠正策略访问到的状态）、数据增强、以及 action chunking 降低决策频次。IL 从固定数据里学，不做在线试错，风险低但对数据覆盖敏感；RL 通过与环境交互最大化回报，能超越专家、能优化长期目标，但样本效率低、奖励设计困难、真机上试错有安全与损耗成本。这正好解释了为什么当前很多 manipulation 工作仍以 IL 为主：真机采数据贵、在线试错代价高，而大规模遥操作数据 + 强表达模型已经能拿到可用的成功率；RL 更多出现在仿真训练后 sim-to-real、或作为 IL 之后的微调与精修手段。

手撕与工程基础：算法题打底，PyTorch 与 C++ 要能上手。 手撕环节按 LeetCode Hot 100 的范围准备是合理的选择，重点覆盖数组与双指针、二分、哈希、链表、二叉树遍历与递归、堆与 Top K、动态规划（背包、子序列、区间）、以及图搜索（BFS/DFS、拓扑排序）。具身智能岗与纯算法岗不同的一点是会考工程实操：Python/PyTorch 侧的张量维度变换与广播、数据加载与自定义 Dataset、训练循环与混合精度、以及轨迹数据的组织（时间对齐、插值、归一化）；如果 JD 写了 C++，还要过一遍 STL 容器与算法、智能指针的所有权语义、移动语义、内存管理与多线程基础。整场复盘的经验是：这家公司偏「深挖型」，权重排序大致是项目理解 > VLA / Robot Learning 基础 > IL 与 RL > Coding，所以时间有限时先把简历上写过的每一个项目讲到能从模型、数据、训练一路延伸到真机部署和改进思路。