国内大厂疯抢大模型人才，大模型人才的春天来了吗？-CSDN博客

本文链接：https://blog.csdn.net/HUANGXIN9898/article/details/147645570

读者福利：关注公众号【大模型应用开发LLM】可获取入门大模型学习资料包一份~

绝对不要怀疑国内大厂对于人才的投入力度，几乎所有的互联网大厂都有这种对于高端人才的招聘计划，特点就是「高薪」+「高要求」。

你看腾讯的青云计划提到的，它的目标是面向全球，给高薪、给定制化的培养、做核心业务、目标是解决前沿问题，可以理解这是一个更偏向研究型的工作岗位。

在这里插入图片描述

特别这个计划有一个专门针对于大模型的系列，全都是大模型最前沿的且亟待解决的问题，比如大模型的文生视频、多模态大模型等等。这些都是非常前沿且开放的问题，现在市面上有一些解决方案，比如OpenAI的GPT4o，但是很难说这就是最终的解决方案。

在这里插入图片描述

跟青云计划类似的「大模型」人才招聘计划还有一些，比如字节跳动的“Top Seed”和“筋斗云人才计划”、百度的“AIDU计划”以及商汤的“AI先锋顶尖人才计划”，这些全都是针对于人才的争抢，年薪基本上都在大几十万起。

但是这么高的薪资自然要求也会更高，一般来说得满足“专业技能”和“工程经验”。

专业技能：都是常规的技能，比如AI的理论知识，一些编程语言，常用的框架等等。

机器学习、深度学习等理论知识。
精通深度学习框架，如PyTorch、TensorFlow等，以及模型优化技术。
对于多模态大模型岗位，需深入理解Transformer、CNN、RNN等。

这些技能的特点就是杂而多，只对于非AI专业来说学习初期阻力会很大，特别是大模型这种技术，外行入门自学入门需要的时间和知识储备都非常大，建议去下面添加微信跟行业深耕多年的大咖进行系统的学习，从一个具体的项目入手会学的既扎实又快，毕竟大模型这波红利不等人。微信扫码加入学习
在这里插入图片描述

工程经验：这个部分其实非常能拉开差距，且能看出来是否有比如有没有实战经验，比如多卡多机的大模型预训练，有没有做过RLHF的实践等等，这个很容易从简历和发布的论文中看出端倪。

下面我罗列了一些比较常见的技能储备，但一般来说只需要掌握一些核心的技能即可，工作中遇到的问题大多数考验的是学习能力以及随机应变的能力。

技能类别	技能描述
大模型训练经验	具有使用大规模计算资源（如多机多卡配置）进行大模型（如65B参数以上）训练的经验。熟悉如何高效利用GPU资源，如A100等高端显卡，进行全量微调或预训练。
模型优化与调参	能够对模型架构进行排列组合优化，避免过度复杂的网络结构，追求模型的效率与性能平衡。了解如何通过技术如LoRA、P-tuning等来提升模型在有限资源下的表现。
模型评测与强化学习	掌握模型评估方法，能够设计和实施有效的模型评测体系，确保模型质量。对于强化学习（RLHF）有实践经验，能解决训练资源紧张下的模型优化问题。
算法落地与优化	将大模型应用于实际业务场景，如营销、内容生成等，根据用户反馈持续优化模型效果和用户体验。
多模态大模型开发	对于涉及图像、文本等多模态数据的模型，需要有从零开始构建、优化多模态大模型的经验，包括预训练、指令微调等技术。
持续集成与部署（CI/CD）	作为MLOps的一部分，了解如何自动化模型的构建、测试和部署流程，确保模型的快速迭代和稳定运行。

其实除了这些需要高度专业化的岗位需要硕士博士且研究性极强外，还有很多的公司其实做的更多的是基于大模型的应用。

这类型应用的特点就是高度依赖于别家的API，比如市面上很多的写作助手、对话助手之类的AI应用，其实就是在第三方的API上套了一层壳。

简单来说，我是对话助手，你把信息发给我，我自己不会处理，我发给你ChatGPT，它处理完的信息回复给我，我再回复给你，我只起到了中转的作用，而核心的处理是OpenAI在做。
在这里插入图片描述

而做AI应用的公司要远远多于研究AI的公司，因为后者投资过于大且需要大量的专业人才，而AI应用难度就大大降低了，因为对于程序员来说，调用API是一件再平常不过的事情，特别是大模型的API非常容易使用。

在这里插入图片描述

比如最新的GPT 4o mini的使用，就是非常简单的json格式，稍微改改就行。

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
     "model": "gpt-4o-mini",
     "messages": [{"role": "user", "content": "Say this is a test!"}],
     "temperature": 0.7
   }'

这其实是一部分程序员的机会，因为自己的编程经验+AI知识就能做更高薪的工作。特别是我认识的很多人都开始往大模型应用方向转了，这个方向其实要比单纯的写代码有潜力的多，因为毕竟还在行业的早期，主要有两个方向，一个是大模型本身的训练以及智能提升，就是这个题目提到的，这个方向需要的人不多；另一个就是针对已有大模型的应用，特别是对于开源大模型的微调再应用，是一个非常火的方向。

因为大模型最终能否活下来要看应用是否能落地，而这方面要求程序员掌握大模型的基础技术知识，以及针对特定问题的解决办法，可以是RAG，也可以是Fine-tune，比较简单的场景也可以用特征工程，这方面的知识在知学堂的AI大模型课程中有详细的解释以及实战演示，现在可以免费从下面的入口了解⬇️

🔥技术岗高薪必学：AI大模型技术原理+应用开发+模型训练

￥0.00就业无忧

公开课是孙志岗老师研发的，他之前独立开发的AI大模型评测软件ChatALL.ai，几次登上Github的全球热榜第一，实力不用多说。对了，课上还有RAG、LangChain、Fine-tune的相关内容，也非常值得听听。

如果你关注近期的一些大模型应用，会发现这些应用大多是多种技术的融合。例如，使用RAG技术可以提升生成模型的准确性和信息性，而微调技术则可以使模型更适应特定任务，prompt工程在一些简单场景下也能发挥重要作用。

而在一些复杂的情景，Prompt能做的非常有限，因为它只能改变一点儿输出的模式，而RAG或者微调大模型对于一些复杂任务就是必不可少的步骤。

这也是现在主流的LLM应用的主要解决版办法，就是RAG+微调，试图最大程度的控制LLM的输出。

在这里插入图片描述