腾讯
实习腾讯游戏-游戏通用智能体算法研究
深圳总部 · 实习 · 博士
长期有效
任职要求
- 1、人工智能、计算机科学、数学或相关专业，硕士及以上学历，博士优先；有顶会一作论文或知名开源项目优先；
- 2、熟练掌握主流深度学习框架，具备扎实的编程能力和工程实现能力，能够独立完成前沿论文复现、优化与落地；
- 具备以下任一方向经验者优先：
- 1、具身智能方向：对VLA、WAM等相关技术有较深入理解，具备感知、决策、动作一体化建模相关研究或实践经验；
- 2、模型训练方向：具备大规模预训练、微调或后训练经验，有多模态大模型相关训练、优化或应用经验；
- 3、强化学习方向：具备强化学习、模仿学习、基于模型的规划或决策优化相关研究或实践经验；
- 4、具备较强的研究能力，有高质量论文发表或开源项目经验者优先；对游戏Agent、具身智能、世界模型、强化学习等方向有浓厚兴趣，具备良好的研究推进能力和沟通协作能力；
- 5、加分项：热爱游戏行业，熟悉多类型游戏。
岗位描述
【岗位职责】
课题背景：
游戏正成为多模态智能体的重要验证环境。以SIMA2等工作为代表，业界开始探索智能体在3D虚拟场景中的感知、理解、规划与操作能力。VLA框架为统一建模游戏中的视觉感知、语言理解与动作控制提供了新路径，但在真实游戏场景落地中仍面临实时性不足、长短期任务难统一建模、指令遵循不稳定、跨游戏泛化能力弱等问题。
课题内容及挑战：
本课题聚焦面向游戏的实时通用智能体，研究适用于复杂交互场景的统一模型与框架，重点提升模型的低时延决策、长程任务执行、自然语言指令遵循和跨游戏迁移能力，探索可在多种游戏中复用的实时决策机制，形成兼顾响应速度、任务完成度、控制稳定性与泛化表现的通用游戏智能体原型。
研究方向
包括但不限于：
- 1、实时通用游戏智能体模型与框架；
- 2、面向跨游戏迁移的游戏基础模型；
- 3、结合世界模型的实时规划与交互方法；
- 4、面向通用游戏智能体的Benchmark构建。
【任职要求】
- 1、人工智能、计算机科学、数学或相关专业，硕士及以上学历，博士优先；有顶会一作论文或知名开源项目优先；
- 2、熟练掌握主流深度学习框架，具备扎实的编程能力和工程实现能力，能够独立完成前沿论文复现、优化与落地；
具备以下任一方向经验者优先：
- 1、具身智能方向：对VLA、WAM等相关技术有较深入理解，具备感知、决策、动作一体化建模相关研究或实践经验；
- 2、模型训练方向：具备大规模预训练、微调或后训练经验，有多模态大模型相关训练、优化或应用经验；
- 3、强化学习方向：具备强化学习、模仿学习、基于模型的规划或决策优化相关研究或实践经验；
- 4、具备较强的研究能力，有高质量论文发表或开源项目经验者优先；对游戏Agent、具身智能、世界模型、强化学习等方向有浓厚兴趣，具备良好的研究推进能力和沟通协作能力；
- 5、加分项：热爱游戏行业，熟悉多类型游戏。
【技术方向】
智能体、强化学习
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。