一条开关争论，暴露了评测结论的模糊地带

消息提到，有用户测试 deepseek-v4.1-flash 时开了 max，评论区建议应开 high；评论者认为这只是思考强度开关、与性能无关，发帖者则引用 DeepSeek-R1-Zero 论文反驳，称论文中 Zero-SFT RL 未增加新知识，随着思考长度增加，AIME24 跑分从 15% 升到 71%。

这个模型是否真实存在、max 与 high 的实际差异、论文结论能否迁移到该模型，都还没有定论。但这场争论对求职者很有价值：它把评测结论最容易含糊的地方摆到了台面上——参数设置、评测集、对比基线、可复现性。

面试被问评测结论，先问清这四件事

听到“某设置下效果更好”，不要急着记结论，先追问：

  • 参数设置：max 和 high 到底改了什么？是采样参数、思考预算，还是别的？如果连差异都说不清，“开哪个更好”就没有意义。
  • 评测集：AIME24 是数学竞赛题，换到代码、多轮对话或你的业务场景，结论还成立吗？
  • 对比基线：是同一模型不同设置对比，还是跨模型对比？基线不同，结论的适用范围完全不同。
  • 可复现性：换一次随机种子、换一批题，结果还稳定吗？

这四问不是刁难，而是判断一个结论能否迁移到你自己的场景。面试中能主动问出这些，比背下某个开关的用法更能体现评测素养。

简历里怎么写，才不算把参数写成能力

假设你做过一次调优：把某参数从 A 调到 B，某评测集分数上升。这里有两种写法。

第一种：“通过调整参数，模型能力显著提升。”——把参数设置直接等同于能力提升，面试官一追问评测集和基线就容易露怯。

第二种：“在[实际记录]评测集上，固定其他设置，对比 A/B 两组参数，观察到分数变化；同时记录了随机种子与题目版本。”——区分了参数调整与能力结论，也留下了可复现的痕迹。 延伸阅读：算法工程师简历模板：从菜鸟到专家的完整指南

素材中的分歧恰恰说明：开关与性能是否有关，本身就需要证据支撑。简历成果必须是你实际完成的，示例中的占位符请替换成你自己的真实记录，不要编造数字。

想转评测方向，先补判断力

如果你准备进入模型评测与调优方向，优先补的是评测设计、基线对比和结果解读，而不是只学某个模型的开关用法。读岗位描述时，留意它要求的是“搭建评测体系”还是“跑通评测脚本”，这两类岗位关注点不同。

一个实际可做的小建议：下次看到任何评测结论，先写下它的参数设置、评测集和基线，再决定要不要引用。这个习惯，比多背一个开关名称更耐用。