文章核心观点 - 大模型行业人才招聘从“广撒网抢聪明人”转向“按具体缺口精准补人”，年轻候选人仅凭论文和实习经历已不足以保证竞争力，行业进入K型分化阶段 [3][4][8] - 各家基模团队整体缩减校招和社招名额，招聘门槛提高，筛选提前，流程放缓，求职者体感明显“遇冷” [6][5] - 有大规模预训练、强化学习或万卡集群基础设施经验的资深人才仍能拿到高价，而主要凭论文、缺少训练经验的初级候选人机会显著减少 [8] 招聘市场整体变化 - 某头部大模型公司招聘负责人表示，各家基模团队整体在缩减校招、社招的招聘名额，这基本是今年业内共识 [6] - 最受欢迎的学生报价仍可能高于去年，但供他们选择的机会变少了，试错空间明显收窄 [4] - 猎头和招聘负责人反复提到，各家模型团队逐渐配齐，招人开始看具体缺口，会追问候选人做过什么、独立解决过什么问题、能给现有团队补充哪种能力 [4] - 即使已有基模经验，跳到另一支核心团队也变得更难，“基座算法团队的门越收越窄” [4] - Anthropic 10月发布内部研究称，技术部门初级岗位占比从2025年初的21%降至14%，新招初级岗位占比从27%降至9% [8] - DeepSeek 9月公布约150个招聘名额，主要面向2至10年经验的资深工程师 [8] 求职者面临的具体困境 - 一位2027届博士生带着六篇顶刊论文、两段头部大厂模型实习经历，申请二十多家公司人才计划，原本预计拿到十二三家机会，到10月下旬手里只有五六个意向且薪资大多未定，腾讯、阿里求职结果均不如预期 [3] - 一位研究员推荐几名候选人，多数没有进入面试，其余还在等待；曾看好的一位有知名模型公司实习经历和不错论文、技术博客的候选人，推荐后一个月流程仍未推进 [4] - 一位候选人7月下旬申请Momenta人才计划，完成三轮技术面试后，9月被HR告知公司技术重点调整、岗位取消 [5] - 另一位候选人8月上旬申请腾讯混元世界模型岗位，9月初发现招聘页面提示“岗位已下架，请重新选择岗位” [5] - 有候选人追问HR面试进度出现“一次不回、两次不回、三次不回”的情况，与急于招人时HR隔几天主动询问近况、带鲜花到学校庆贺形成鲜明对比 [5] - 一位做推理加速的实习生在面试模型团队时被问到更底层的算子，因熟悉的是框架而回答不够好，几轮面试后未能通过 [9] - 另一位做视频模型的候选人在面试中被反复问到如何造数据，而这并非其此前负责的工作 [9] 筛选标准与门槛提高 - 一位入选腾讯青云计划的混元实习生表示，2025年同批符合条件的实习生会一起参加转正答辩；2026年只有获邀者才能参加，也不一定能通过，筛选提前到了答辩之前 [6] - 对于校招学生，一些基模团队已经收敛到几个核心高校、核心教授所带的团队 [5] - 公司会更青睐经过实习验证的候选人，但留下的门槛在提高；有求职者申请正式岗位时被告知需要先来实习再竞争转正，即使已有大厂实习经历仍可能要再投入几个月 [6][7] - 招聘负责人会追问具体贡献、负责哪个环节、有什么技术判断；只参与边缘工作、“缺乏思考、活特别糙、最后效果还行单纯是公司资源给得够”的候选人会被pass掉 [8] - 一位招聘负责人见过不少履历漂亮的候选人能说清做了什么实验、得到什么结果，但再问为什么选这个方向、依据哪些论文作出判断就不一定答得出来 [12] - 早期推荐一个不错的人选团队往往愿意见一见；现在对方会把候选人和现有成员比较，看能补上哪一块缺口或带来多少新能力 [8] 团队分工细化与方向需求分化 - 一位业内人士介绍，以前大家急着收集数据、训练模型再看效果；如今会先评测模型、找出需要改善的能力，再有针对性地准备数据、安排实验，招聘也跟着这些任务走 [9] - 该人士把基模研发比作“制造业”：数据清洗、小模型实验、强化学习、合板，工序标准明确后公司更清楚哪里缺人，并称“人不再是核心生产要素了” [9] - 能持续投入预训练的公司有限，后训练和Agent则随着应用场景增加仍有新需求；模型进入更多实际任务后，数据、强化学习基础设施等环节还需要补人 [9] - 核心基模团队普遍收紧校招后，社招更偏向从友商挖有后训练、强化学习和推理优化经验的熟手 [9] - 一位做多智能体的研究员表示，Code Agent的机会仍有但候选人已经很多，有些博士生毕业前就在公司做了一两年相关工作并承担重要任务，后来转入该方向的人要和这些已做出成果的人一起竞争 [10] 资源分配与后来者劣势 - 一位今年加入新模型团队的研究员看重这里有更多算力，但更重要的任务仍多由从其他公司招来的资深研究员承担，应届生需要证明自己 [15] - 一位AI公司招聘负责人与多名模型团队实习生交流后发现，他们常做的是数据配比或小规模实验，实验有结果后再验证能否用于主要模型，“已经很少有人能碰到模型架构等核心工作了” [15] - 先来的人靠项目积累了经验，后来的人却要先有经验才能争到项目，形成错位；一位投资人感叹“人才是被环境塑造出来的，现在没有那种环境可以塑造人才” [15] - 一位进入头部人才计划的学生观察到，公司把更多算力投入Coding，其他方向都要往后排，“有卡才能说其他事” [15] - 一位曾在大厂模型团队实习的研究者希望把方案部署进模型，但掌握“合板”权力的只有少数人，潜规则是后来者得先“自己重搞一遍”再把成果送过去，“把东西搞得很好，求着人家，最后才可能有机会合板” [16] - 该研究者觉得最影响效率的是工作被反复打断，有些文档和代码需要申请权限、有些流程要等不同负责人审核，自己的工作在其他人那里优先级并不高，最终其所在组方向变了也没有完成部署 [16] 熟人推荐与人际网络的重要性 - 一起做过项目的人知道是谁提出了办法、谁解决了问题，了解一份成果里哪些是个人贡献，而通过论文署名和简历往往很难看清 [12] - 很多大模型研究员是校友、同门，一起参加过顶会，彼此熟识、交流频繁，哪里缺人、谁想走、谁做了什么消息传得很快，“大模型圈几乎没有秘密” [12] - 一位进入头部模型团队的年轻研究员最初是因为一项研究工作被注意到，团队负责人联系了他的合作者再由合作者推荐，“强connection”既是合作的结果也成为下一次录用的依据 [13] - 一位业内人士观察到，校招愈发集中于少数学校和团队，能力之外还有“某种信任的传递” [13] - 一位研究员表示推荐熟悉的人确实能让团队更全面了解候选人，可当熟悉的人里就有很多在等机会时团队也未必急着向外寻找，并表达不满称“人家自己的人都没有安排明白呢” [13] - 一位去年求职的研究员在几家模型团队碰壁后决定暂时不再反复投递，把时间用来做一项更好的研究，“攒代表作，发出来……等人家找吧”，后来确有新团队主动联系但相比熟人内推波折许多 [13] 高校与人才培养端的变化 - 中国人民大学、南开大学、中国科学院大学等学校均设立了人工智能学院培养硕士、博士；上海创智学院2024年成立，目前已有800余名联合培养博士生 [11] - 一位高校教师表示并不想把学生一直留在学校，“我们没有那么多资源去提供给他做他想做的研究”，学生得先靠导师经费或校企合作做研究，用好论文争取第一段实习，再靠实习成果换下一次机会 [16] - 该教师称“履历越好看，拿到的机会越多；履历越一般，越拿不到机会，就像滚雪球，最后越滚越大” [16] - 一位研究员观察到，一些学生从本科起就由导师推荐进入大厂，其中有人水平一般也未必喜欢这份工作只是听从安排攒一段履历，另一些更想做这份工作的人却找不到入口；有产业联系的导师越来越热门，进组同样需要拿出成果 [16] - 一名在模型团队实习的学生还有课程未结束却基本保持全勤，学校在外地有事就坐高铁回去再赶回来工作，忙时晚上没有足够时间睡觉，距离参加校招还有一年 [16] 相邻两届求职结果分化 - 2026届博士毕业的师兄拿到“阿里星”人才计划，2027届发表更好、经历更丰富的师弟却没拿到；一位求职者将基模找工作比作抢椅子，“后来者没空位只能干着急” [14] - 一位研究员回忆刚加入模型团队时每周都有4、5个人在群里打招呼，既有实习生也有正式员工，几个月后新面孔明显少了 [5] - 一位曾希望把研究方案部署到模型里的研究员今年也开始找工作，愿意接受更低薪资去一家能让自己继续成长的公司，但认为去年后训练兴起时公司急着补人手，到自己找工作时许多团队已经招过一轮，他把这称为“年景的问题” [17]