面试小模型岗，怎么判断团队是真做工程还是只调参？

消息提到，IFM发布了一个7B Dense小模型K2-Horizon-7B，在AA Bench得21分，而Qwen3.6-27B为22分，参数量小得多却接近更大模型的水平。更值得求职者注意的是，消息说它的训练数据、训练方法（recipe）、训练代码和评估方法全部开源。对准备面小模型或高效模型方向的人来说，这正好提供了一个判断团队工作重心的参照。

面试时，与其只问“你们用什么架构”，不如问训练数据从哪来、清洗和配比由谁定、recipe有没有文档、评估集怎么构建、指标能不能被别人复现。只报分数的团队，往往把调参当全部；能说清数据来源和评估口径的团队，才更可能在做工程。如果对方说“数据不方便讲”，可以追问评估方法是否内部可复现、失败案例怎么归因。

上下文成本高、量化未就绪，这类取舍该问谁？

素材里还有一个具体信息：该模型最大支持512K上下文，但为全注意力，上下文成本相当高；目前只有原始BF16精度，128K上下文需18G显存或统一内存。量化版本何时发布、由谁维护，素材并未说明。

这类取舍最能暴露岗位边界。面试时可以问：长上下文的显存和推理成本由谁负责？量化、蒸馏或缓存优化是算法岗做，还是另有工程团队？如果面试官答“先跑通再说”，说明落地压力可能落在你身上却没人兜底。反过来，如果团队能说清谁负责量化、谁负责部署、评估怎么覆盖长上下文场景，这个岗位更接近工程落地，而不是只交一版权重。 延伸阅读：聚宽投资2027秋招解读：百亿量化私募的AI技术岗，值不值得冲？

小模型方向值不值得转，先看什么信号？

把开源程度、评估可复现性和部署成本当作判断方向成熟度的信号，比只看榜单分数更稳。一个7B模型分数接近27B，说明小模型路线有讨论价值；但上下文成本和量化缺口也说明，工程问题还没被完全解决。

假设你拿到两个offer：A团队只让你复现论文指标，B团队让你参与数据配比、评估设计和量化排期。后者更可能积累可迁移的能力。面试前可以准备三个核查问题：训练数据与recipe是否公开或可内部复现？评估方法能否被第三方复跑？上下文成本与量化计划归属哪个角色？

最后给一个实际可做的小建议：面试前把目标团队近半年公开的技术博客或模型卡翻一遍，记下他们讲没讲数据、评估和部署成本，面试时用这三个点去核对，比背八股更能看出方向真假。