微信 AI 在 9 月 4 日宣布开源通用多模态嵌入模型 WeMM-Embedding，包含 2B、4B、9B 三个版本，支持文本、图像、视频、视觉文档以及任意交错的多模态输入。据微信员工分享，该模型已在朋友圈搜索、视频号推荐、公众号推荐、微信电商使用，每天调用量 10 亿次，并在 MMEB-v2 榜单上排名第一。这些是消息层面的动态，不等于相关岗位正在扩招。

多模态嵌入落地，算法岗可能分哪几类活

看到“多模态嵌入”，别默认只有一种岗位。按产品链路拆，至少有三类可能分工：

  • 模型训练：负责嵌入模型的训练目标、数据构造、多模态对齐与评测，关心榜单和离线指标。
  • 检索系统集成：把嵌入模型接进召回、粗排、向量索引，关心延迟、吞吐、一致性和线上稳定性。
  • 业务场景落地：面向搜索、推荐、电商等具体场景定义“什么叫相关”，关心点击、转化等业务指标。

面试时先确认岗位偏哪一类。同样是“做多模态”，训练岗会追问损失函数和数据配比，集成岗更可能问索引选型和降级方案，落地岗则要你说清怎么把业务目标翻译成检索评估标准。

面试怎么问，才能判断是做模型还是做检索系统

准备几个可核查的问题，比只问“用什么模型”有用得多：

  • 团队负责训练嵌入模型，还是负责把已有模型集成进检索链路？
  • 嵌入模型在召回、排序中处于哪一环，上下游分别是什么？
  • 业务指标如何定义，离线评测和线上效果怎么对齐？
  • 模型迭代周期多长，一次上线要经过哪些验证？

这些问题能帮你判断岗位的真实边界。如果对方只谈模型版本、不谈检索链路和评估口径，那更可能是研究或训练侧；如果反复问延迟、索引和灰度，那更偏系统工程。

榜单第一，求职者该关注什么、不该推断什么

MMEB-v2 榜单第一说明该模型在特定评测上表现突出，但不能推断团队正在招人、岗位会激增，也不能假定面试必考这个模型。榜单是了解技术方向的入口，不是招聘信号。

更值得投入的是可迁移能力：检索评估怎么设计、多模态数据怎么清洗、向量索引怎么调。可以拿一个公开数据集做小实验，记录不同召回策略的差异，面试时讲清你的取舍过程。

一个实际可做的小建议：投递前，把目标岗位描述里的“训练”“集成”“落地”关键词圈出来，对照上面三类分工，判断它到底要你解决哪类问题，再决定简历重点写什么。