从一条KV缓存动态看岗位差异

消息提到，DeepSeek 推出 CED，通过跨层共享减少 global KV 的重复存储，减少 prefill 计算，目标是让模型又快又强。推文还以调侃口吻对比了另一家公司的表述风格。需要留意的是，这条动态只描述了技术目标，没有说明是否已上线、是否处在预告或测试阶段，也没有提到招聘计划。对想投数据与算法岗的人，它的价值是提醒：同一个“算法工程师”名称下，训练和推理优化可能是两种日常。

训练岗和推理优化岗，日常到底在做什么不同的事？

素材里的“减少 prefill 计算”“减少 global KV 重复存储”，是推理侧目标：服务模型时更省显存、更快响应。做这类工作，通常要围绕缓存管理、批处理、计算复用、延迟和吞吐做取舍。训练岗则更关注数据配比、并行策略、收敛稳定性和训练吞吐。同样是“让模型又快又强”，训练岗关心把模型训出来，推理岗关心把训好的模型跑得便宜。

读岗位描述时可先看动词和指标：出现“推理性能”“延迟”“显存”“服务化”，偏推理；出现“预训练”“数据清洗”“分布式训练”“收敛”，偏训练。但标题和实际内容经常不一致，别只看岗位名称就下判断。假设你看到两个都叫“大模型算法工程师”的岗位，一个写“优化线上服务吞吐”，一个写“提升预训练数据质量”，这很可能就是两条路线。

面试时怎么问出团队真实重心，投递前又该核查什么？

与其猜，不如问。下面是模拟提问思路，不是断言面试官一定会问：团队最近一次优化，针对的是训练吞吐还是推理延迟？效果用什么指标衡量，延迟、显存还是成本？我入职前三个月可能参与哪类任务？团队训练和推理的人力大致怎么分配？如果对方只说“都会涉及”，可以追问最近一个具体项目。

投递前也做核查：岗位描述里是否明确服务化、推理框架或训练框架关键词；面试中确认团队是自研推理还是主要调库。这些信息比一条技术动态更能帮你判断。想往推理优化准备，先确认目标岗位是否真的涉及，再决定补缓存、批处理、延迟指标这些基础；不涉及就不必因为一条动态硬补。一个可做的小建议：挑三个目标岗位，把描述里的动词和指标词抄下来，对比它们更像训练还是推理，再决定简历往哪边靠。 延伸阅读：腾讯CDG AI基础设施工程师校招简历范文：分布式训练优化实战