本科学校只是起点，但在我看来，学术成就取决于信息压缩能力、问题选择、持久的内在驱动力以及硬核的训练。 藤校的隐形代价是残酷的。 Harvard、Yale、Princeton精英气息浓厚，Peer Pressure极高，很多优秀本科生极易陷入标准化精致。大家都在卷类似的优质 internship、精美的履历、高分 GPA。此外，顶尖藤校的资源往往优先向其庞大的 Postdoc和 Ph.D.倾斜，本科生有时只能在大牛实验室里做高级打工人。 而学术长跑看的是比热容和持久动能。 一些本科或许并不出众的学生进入 Ph.D. 阶段后，其对复杂问题的High Frustration Tolerance和研究冲劲，往往会远超那些早期被过度开发、对学术产生倦怠感的精英学生。 在我观察到的大州立大学杀出来的学术传奇，往往具备极度纯粹的理科硬核基因。 他们可能在高中时并不善于包装综合履历，但对物理、数学、计算理论或心智模型有着近乎本能的痴迷。 到了大学后，他们会将全部精力集中在高信息密度、高难度的底层学科。 科研的本质是在未知的混沌中寻找秩序。 当然，在最顶级的博士项目，比如Top 3 CS、Physics、Neuro、Math Ph.D里，藤校本科生和顶级州立本科生都会存在，但成名者的共同特质绝不是他们的本科校名，而是他们的学术审美。 高杠杆率和高压缩比的问题，始终稀缺。

求职（求转发 我最近两年在云南本地&加密业内从事公益； 2021~2024 间陆续在两家 Tokenfund 工作，主要负责研究、案源、投后和投资者关系； 更早在 memecoin 做 marketing ; 加密行业前我在外贸工厂做直播策划。 我能对多种人、事、物保持长时间的、低度的兴趣，并以此幸运的交到很多朋友，特别帮助到案源、投后、投资者关系方面的工作。 我长期关注 DAO 治理、关注加密行业与各国当局的政策博弈，部分预言了 @arbitrumdao_gov 最近行为的后续影响。今年部分研究内容请移步我的账号文章列表。 我寻求任何 to G/policy 相关的 internship 或 VC/生态/公益相关的 senior 职位。

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。