3549421Health rest happen oil method scientist report.🚍😉🏚😵😺🖤 饰) 凯哥(振策 饰).星空无限传媒

Deepmind 团队发表了篇新论文，介绍了 Co-Scientist 的升级版：一个基于 Gemini 的多智能体科研系统。与此前版本只做"纸上谈兵"式的假设生成不同，新版本被改造成一个能落地执行的研究伙伴，覆盖从假设生成、实验执行到论文撰写的完整闭环 系统架构（三阶段） 1. 构思（Ideation）：用演化算法生成假设群体，每个假设都配独立的文献调研；通过 LLM 同行评审打分（新颖性、合理性、可验证性），用贝叶斯技能评分（TrueSkill）+ UCB 探索机制做成对锦标赛排序，再经交叉（p=0.7）与变异迭代约 10 代。 2. 实验（Experimentation）：三阶段代码演化，小数据搭骨架 → 替换为全量逻辑 → 全规模执行；多个求解器并行生成程序变体，失败的获得结构化报错反馈并反思修正。 3. 论文撰写（Paper Writing）：把实验结果与文献合成为结构化手稿，再经演化式优化迭代。 在材料科学（CVD 合成新配方）、生物学（大肠杆菌群集表型预测）、计算机科学（全自主发现智能体架构）以及端到端的论文生成上均测试成功。 作者认为“执行落地型”的智能体系统是连接计算构思与物理验证的可行路径。但材料科学仍需人来动手执行，生物学需专家反复校准任务定义，纯计算研究可完全高度自主化！科学领域的 RSI 即将大放异彩✨

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。

在小红书上看到有个女生，她竟然放弃了 Anthropic 的 某个垂直业务线的Founding Data Scientist 的最后两轮面试（她好像已经面了百分之七八十，还剩最后两轮），她觉得去了之后压力会很大，hours也会很长，还要跟最优秀的人竞争，然后就这样放弃了。 虽然尊重每个人的选择，但对我来说，我觉得这是难以想象的。因为我觉得世界上现在 99.9%的科技公司都不值得我去投入每周65+小时的时间去打工，除了我自己的公司，但我觉得 Anthropic 绝对就是这 0.1%中的公司。 如果御三家给我机会我愿意996😭😭😭而且也不怕身边的人都很强自己竞争不过会玉玉😭😭😭 Unfortunately 御三家鸟都不鸟我😭😭😭

什么时候国内这些北大清华的博士们才明白， 美国欧洲华人教授们招你们做博后，给你一年7万刀的postdoc， 是因为你们聪明、听话、乖巧、智商不低、好拿捏、不敢顶嘴、爱加班、愿意干活儿、出paper任劳任怨、不敢翻脸、只会内耗， 一年7万刀的你，比一年20万刀招本地scientist还好用100倍。 不是你占便宜，而是人家占了你的便宜。