400名微软员工详细薪资信息泄露,资历和国籍对薪资影响巨大!

 

【新智元导读】400名微软员工在一个私密Facebook小组共享一份薪资档案电子表单泄露,从40000美元到320000美元不等,并揭示了大型科技公司薪酬如何运作的关键细节、

没有人不好奇别人的工资是多少。之所以不去问,原因恐怕只有一个:公司处罚条例。

一般情况下,也没人会去公布自己的收入详情,毕竟这也是个人隐私。但最近,大概有400名微软员工正在网上分享他们的工资条,原因是以便更好地确定,他们得到的补偿是否“公平”。

同时有400人分享自己的收入详细,恐怕也算得上声势浩大了!这场运动一个源自一个私密Facebook小组。我们知道Facebook上有很多类似百度贴吧、豆瓣小组的兴趣小组,有些是公开的,有些则是私密的。

今天我们提到的这个名叫Young Microsoft FTE,就是一个私密的小组。FTE是全职员工的缩写,所以这个小组全称就叫做“青年微软全职员工”。

这些年轻的员工们聚集在这个小组里,畅所欲言的讨论老东家微软。他们还建立了一个共享的谷歌电子表单文档,将自己的收入详单贴在里面,表头写着:“匿名分享你的信息工资,以便我们可以一起获得更多报酬”。

表单详中的数据点包括工作经历、在微软的工作时长、基于绩效的加薪百分比,基本工资,以及股票和现金奖励。值得注意的是,一些员工还有特殊的股票分配,签约奖金或里程碑成就。

电子表格没有注明性别,也就无法体现出职场中男女员工之间的薪资差异。这400名员工相对于微软144000名员工来说,虽然只是九牛一毛而已,但仍然对揭秘微软员工当前待遇,有着非常宝贵的参考价值。

一名微软员工告诉OneZero,内部薪资分享是微软每年这个时候发生的年度事件,当时很多员工都会收到加薪或晋升的通知。

一名前雇员为OneZero提供了对这份表单的访问权限。而青年微软全职员工小组中,一名在职员也站出来证实这份文档的真实性。

对此,Microsoft没有做任何回复。

通常来说,在大多数科技公司中,薪资的差异主要和资历的差异挂钩。级别越高,员工的权力越大,薪资越高。微软员工的级别从59级到80级,而亚马逊员工的级别为L4-L10,Facebook员工的级别从E3到E9。

表单中比较典型的是位于华盛顿州的62级软件工程师,他们已经在这个级别上工作了一年,在微软工作了三年。他们报告了完整的五年工作经验,今年没有获得晋升。他们的基本工资是15万美元,获得了2万美元的现金奖励和另外15000美元的股票。

随着员工晋升到更高水平,他们的薪酬更多来自股票。在66级,微软员工报告说,近40%的薪酬是以现金和股票奖金的形式。根据众包数据显示,虽然现金奖励在微软员工职业生涯中保持相对稳定的工资百分比,但股票薪酬可以上升到年收入的近20%。

员工还告诉OneZero,一个相当常见的策略是先离职,然后去西雅图的其他大厂比如亚马逊、甚至是创业公司,然后再返回微软,就能拿到更高的薪资。

虽然很少有关于在印度工作的微软工程师的数据点,但众包数据显示他们的薪酬远低于华盛顿同行。一个典型印度程序员表示,ta年收入不到5万美元,而具有类似资历的美国人每年收入是ta的3倍,而奖金补偿金额更是高达10倍。

这种形式在微软内部正在变得越来越普遍。

微软员工们表示,首席执行官萨蒂亚·纳德拉(Satya Nadella)已经在内部获得了善意和进步文化感,但性骚扰和歧视等持续性问题已经导致员工在大型内部论坛中大声疾呼并要求改变。

OneZero认为,薪酬分享是工会的一种法律形式,符合在歧视和赔偿问题上更加公平和透明的愿望。除了有助于实现薪酬平等的宏伟愿景之外,个人上传和分享他们自己的私人薪资信息确实没有上升空间。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用 TensorFlow 的 CNN 对测试集进行多线程测试,您可以使用 TensorFlow 提供的多线程输入处理机制来实现。以下是一个基本的示例: ```python import tensorflow as tf # 定义测试数据集 test_images = ... test_labels = ... # 创建输入队列 input_queue = tf.train.slice_input_producer([test_images, test_labels], shuffle=False) # 读取和预处理数据 image, label = read_and_preprocess_data(input_queue) # 构建 CNN 模型 logits = build_cnn_model(image) # 定义预测操作 prediction = tf.argmax(logits, axis=1) # 创建 TensorFlow 会话 with tf.Session() as sess: # 加载模型参数 saver = tf.train.Saver() saver.restore(sess, 'path/to/model') # 创建协调器和线程 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) try: while not coord.should_stop(): # 运行预测操作 pred = sess.run(prediction) # 处理预测结果 # ... except tf.errors.OutOfRangeError: print('Testing completed.') finally: # 请求停止所有线程 coord.request_stop() # 等待所有线程完成 coord.join(threads) ``` 在上述示例中,首先您需要定义测试数据集 `test_images` 和 `test_labels`。然后,通过 `tf.train.slice_input_producer()` 创建输入队列,并使用 `tf.train.start_queue_runners()` 开启多个线程来读取和预处理数据。 接下来,构建 CNN 模型并定义预测操作。在 TensorFlow 会话中加载模型参数,并通过循环运行预测操作来对测试集进行预测。 最后,通过协调器和线程管理器来确保所有线程在完成任务后正确停止。 这只是一个基本示例,您可以根据您的具体需求进行适当的修改和扩展。 希望这能帮助到您!如果您还有其他问题,请随时提问。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值