Xiuyu Li
@sheriyuo
Researcher @StepFun_ai | Working on long-horizon tasks | Prev @RUC1937 | Opinions are my own
加入 February 2026
1.9K 正在关注 14.6K 粉丝
paper / experience / taste 是一个综合的标准，都希望招没有短板的全栈人才
数一作数量是一个边际效益很递减的评估标准，只要有 paper / 没有 paper 用其他 credits 去补，也不卡 candidates 的学历，这才是良好的双选状态
我们持续招人中，简历可以发 lixiuyu@stepfun.com，实习 / 校招均可
显示更多
最近我有个手握十篇AI顶会的博士朋友正在找工作，分享一下他找工作的经验吧：
整理了 50 多篇青云、Seed、Kimi 等大模型人才计划面经，发现一个挺反常识的现象：
论文多的人，不一定更容易通过。
面试官真正关心的通常不是论文数量，而是几个更具体的问题：
你的研究方向和团队是否匹配？工作里哪些部分是自己完成的？为什么这样设计？方法在哪些场景会失败？换到真实业务里，成本和收益是否仍然成立？
研究型团队会重点考察问题定义、方法创新、实验设计和未来研究方向。但对于后训练、Agent 和推理系统岗位，工程闭环同样重要：
能不能搭建数据、训练、rollout 和评测流程？是否真正用过 verl、vLLM、Ray、DeepSpeed？遇到 reward 异常、熵崩溃、显存不足或吞吐下降时，能不能定位原因？
所以常见的四类候选人，大致是：
1. 论文强、工程弱：Research Talk 有优势，但容易挂在 Coding、系统实现和工程追问。
2. 工程强、论文弱：业务组适配度不错，但需要证明自己不只是调用框架，也能定义和分析问题。
3. 论文和工程都强：竞争力最高，但面试官会重点确认工作是否真正由自己主导。
4. 两边都不突出：与其继续堆零散经历，不如完成一个方向匹配、指标完整、能讲清失败案例的闭环项目。
人才计划不一定选择履历最豪华的人，更可能选择：
1. 方向匹配，并且能够独立把问题推进下去的人。
2. 一篇能讲透、能复现、能落地的工作，可能比几篇说不清个人贡献的论文更有说服力
显示更多
