简历写“做过模型量化”，面试官可能追问什么？

有作者对 Qwen3.8 27B 的多个 GGUF 量化档位做了基准实测，覆盖 8 位、4 位、2 位和 1 位，体积从 29GB 一路压到 6.2GB。消息提到，17GB 的 Q4_K_M 在 Terminal-Bench 2.1 上与完整模型表现相当；而 1 位量化在 GPQA Diamond 上接近随机猜测，更长推理反而更差。这些结果只针对该模型和特定评测设置，不能推广到其他模型或任务。

面试官追问时，通常不是想听你背量化原理，而是想确认三件事：你实际动手到哪一层、结果是怎么得到的、边界在哪里。如果你只跑通过一次部署，却写成“完成量化优化”，追问两轮就会露底。

“跑通部署”和“做过基准评测”是两回事，简历该怎么区分？

跑通部署，核心是环境与流程：装了什么推理框架、用了哪个量化档位、跑在什么硬件上、能不能稳定输出。做过基准评测，核心是方法与结论：选了什么任务、对照了什么基线、成本多少、结果是否可复现。

素材里作者提醒，跑这些基准测试花费不低，用了租用 GPU，不同配置价格不同。这句话对简历的启发很直接：如果你只是租了张卡把模型跑起来，就写“完成本地部署与推理验证”；如果你真的做了多档位对比，才写“完成多档位基准评测”，并准备好说明评测任务、硬件和成本。

假设一个模拟场景：两位求职者都写“做过 4 位量化部署”。A 能说清用的是哪个档位、显存占用多少、在什么任务上验证过输出；B 只能说“跟着教程跑通了”。面试官对 A 的追问会转向评测设计，对 B 的追问会停在“你具体改了什么”。这不是能力高低，而是简历表述是否匹配实际经历。

量化经验写进简历前，先自查哪几个可核查点？

至少能回答四个问题：用的什么量化档位、跑在什么硬件上、在什么任务上验证、结果怎么确认。说不清的部分，不要写成成果。

读岗位描述时也要留意：有的岗位写“研究量化技术”，有的写“开发量化压缩及评估工具”，两者关注点不同。前者可能更看重实验设计，后者更看重工程实现。你不需要现在就会全部，但要能判断自己的经历更贴近哪一类，再决定简历里突出哪部分。

一个实际可做的小建议：打开你的简历，把“模型量化”相关描述逐句改写成“档位 + 硬件 + 任务 + 验证方式”的格式，写不出来的句子就降级为“跑通/部署过”。这样面试时你讲的每一句，都有对应的边界。 延伸阅读：应届生人工智能算法工程师简历模板

应届生人工智能算法工程师简历模板