前沿模型开发可能放缓，先分清两类任务

有消息提到，Sam Altman 向 OpenAI 员工表示，公司可能放缓前沿模型开发，并可能与其他AI实验室同步；同一消息还提到，OpenAI 此前暂停以部署为重点的强化学习训练两周，并在测试更强保障措施期间，将最大规模的前沿强化学习运行保持在搁置状态。这些说法尚未说明放缓是否已正式执行或影响哪些团队。对准备进入这个方向的求职者来说，与其猜测行业冷热，不如先把大模型相关岗位粗略分成训练侧与安全评估侧。

训练侧日常更靠近分布式训练、数据配比、实验管理与训练稳定性；安全评估侧更靠近评测设计、监控指标、红队方法和合规意识。两者都要求扎实的机器学习基础，但任务节奏不同：训练侧常围绕一次长周期实验反复调参，评估侧常围绕一组测试用例反复归因。准备时若只用“模型能力”一条线，面试里容易说不清自己到底能承担哪类工作。 延伸阅读：机器学习工程师自我评价：如何用3句话打动HR

安全测试更耗算力，面试时该核查什么

消息还提到，OpenAI 估计其监控系统大约使用额外20%的推理算力，使先进模型测试的计算成本更高。这个比例只说明监控环节的算力开销，不能直接推导出岗位增减或效率变化。但它提示了一个值得在面试中问清楚的问题：团队当前把算力优先分给训练还是评估？

可以具体问：评估任务是否独立成岗，还是由训练同学兼任？监控系统由谁维护、指标如何更新？一次完整的安全评测大概占用多少资源、周期多长？这些问题比只问“模型多大”更能看出团队的真实投入方向。如果对方回答评估主要靠临时抽调，说明安全评估可能还不是独立职能；如果已有专人维护评测流水线，准备侧重就可以往评测设计、指标解读和工具使用上靠。注意，这是在了解团队分工，不是断言每个团队都会这样设置。

开发节奏变化时，优先补哪类能力

假设你同时拿到两个方向的面试机会，一个偏训练、一个偏评估，判断依据不是哪类岗位“一定增长”，而是目标团队的实际投入。偏训练侧，可以补分布式训练基础、实验记录与复现方法；偏安全评估侧，可以补评测集设计、监控指标含义和合规意识。两类能力并不互斥，但准备时间有限时，先按团队当前重心分配。

一个实际可做的小建议：找三份你感兴趣的训练岗和评估岗描述，把其中反复出现的动词圈出来——是“训练”“调参”，还是“评测”“监控”“审计”。圈完再对照自己的项目经历，看哪一类动词你能讲出完整过程。这比笼统判断行业冷热更能帮你决定下一步补什么。