有很多粉丝私信，咨询百科关于如何在海外维权举报的渠道方式。 百科近期整理了一批全球主流国家执法机构的清单，各位可以做个参考。 百科最近一直在咨询律师，关于在全球主流国家固定证据及起诉维权的流程操作。 美国 1 SEC 直接举报 举报网址： 热线电话1-800-732-0330，同样可以在线提交表单或发送电子邮件至 Help@SEC.gov 2 美国金融犯罪执法FinCEN 举报链接 3 FBI 举报链接 4 CFTC 举报网址 新加坡 1 新加坡警方 举报邮箱 SPF_Police_Information@spf.gov.sg 诈骗举报网址 2 新加坡商业事业部（CAD） 举报邮箱 SPF_CAD_Recruitment@spf.gov.sg 举报链接 日本 日本证券交易等监视委员会 (SESC) 举报链接 日本金融厅 举报邮箱 equstion@fsa.go.jp 韩国 1 国际金融部 fsc.ifd@korea.kr 金融监督院 fssintl@fss.or.kr 马来西亚 一般疑问 cau@seccom.com.my 投诉 aduan@seccom.com.my 泰国 证监会SEC info@sec.or.th complain@sec.or.th 迪拜 金融服务管理局DFSA 举报邮箱：whistle@dfsa.ae 百慕大 金融管理局 enquiries@bma.bm 澳洲 1 金融管理局ASIC 举报网址 2 Scamwatch 举报网址 ESMA（欧洲证券和市场管理局） 一般邮箱 info@esma.europa.eu 欺诈和骗局 scamreport@esma.europa.eu 举报链接 土耳其 资本市场委员会 spk@hs01.kep.tr ttps://www.spk.gov.tr/kurumlar/kripto-varlik-hizmet-saglayicilar/faaliyette-bulunanlar-listesi 加拿大 加拿大反诈骗中心 CAFC 举报网址： 加拿大警方 举报邮箱 sans_intake-triage@rcmp-grc.gc.ca。

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。

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。

空军新兵拉练途中偶遇学生，兵哥哥与孩子们暖心互动。 During a training march, Air Force recruits encountered some students. The soldiers then had a heartwarming interaction with the children.

都在盼着 @base Tge。去Base 看了下角色徽章，真的可以排的上历史前五了。这也是我领的最多的一个项目。 又出了一个新角色： 1）进入： 2）点 “Browse Channels” 3）开启 #advocate-info# 频道 4）领“Based Advocate Recruit ”角色 工会角色 最后别忘记去App里面交互：

藤校学生的就业压力，宣告了一个时代的结束。 这两天在汉诺威旅行、访校，最重要的结论是，即使是达特茅斯这种拥有顶级校友网络和庞大捐赠基金的常春藤，在当下的大环境面前也无法幸免。 而整体而言，就业问题，是美本高知阶层正在经历的结构性挤压。 大多数 Ivy League过去几十年来最骄傲的就业出口，主要是两条极其固定的路径：投行咨询和大厂科技。 但这几年这两条路同时遭遇了重创。 McKinsey、BCG、Bain 等顶级咨询公司以及高盛、摩根士丹利等投行，在前几年大扩招后陷入了长期的消化不良，再加上M&A市场交易量下降，招人名额大幅缩水。 过去达特茅斯学生靠Networking递个 Resume 就能拿到的面试，现在变成了数百个同等顶级背景学生的内卷。 Big Tech 的效率年与 AI 替代无法阻挡。 硅谷大厂全面转入成本控制，传统 SWE的 Entry-level需求正在断崖式下跌。 加上生成式 AI 对写基础代码、做初级数据分析的效率提升，企业不再需要大量招募本科毕业生来做螺丝钉。 达特茅斯虽然是常春藤，但它的本质更像一个超大型文理学院，就像我之前说的，等同于威廉姆斯来看待。 达茅有大量学生主修历史、政治、政府学、英语文学等古典人文专业。在过去经济红利期，这些专业凭着常春藤光环进投行做 Generalist 毫无问题。但当下雇主极度功利，招聘极度看重硬核技术栈，代码能力与实际项目产出。 达茅的学生，我真的很喜欢。马术，冰球，滑雪，高尔夫，old money相关的爱好精通的很多，这是我的真心话。 虽然我知道很多人想问，去达茅的还需要就业？其实还是需要的，不是所有人都是old money，还是有很大一部分需要找工作的。 有一部分家境极其优渥的老钱学生，毕业后找不到理想工作可以先去欧洲旅行、去画廊实习或者直接读研，他们有强大的家族资源兜底。但对于靠奖学金、靠硬核能力拼进来的普通中产精英学生来说，当下的就业寒冬是极度真实的生存压力。 汉诺威深山老林的环境在做学术和沉淀智识时是绝佳的象牙塔，如果我有时间，我真的会多待几年。但在就业Recruiting Season，比起位于波士顿的 Harvard、MIT、位于纽约的 Columbia，或者在硅谷腹地的 Stanford，区位确实是个巨大的问题。 世界，正在属于科技新贵。