开源模型方向有哪些岗位分工，该先想清楚哪一环？

一则关于开源模型的讨论提到，模型能力已足以处理90%以上任务，开源模型将接管日常AI；同一讨论还称，单个模型并不危险，但在群体中很脆弱，因此需要让模型从一开始就内嵌价值观，并作为公共资源提供给社会。这些仍是观点，不是已发生的招聘变化。下面的拆解是给准备进入这个方向的人做择业分析，不是对那则讨论的补充报道。

开源模型方向不是单一岗位，至少可以拆成训练、微调、部署、评测、合规几类。训练偏底层，关注数据配比、分布式训练和算力调度；微调偏场景，关注指令数据构造和效果调优；部署偏工程，关注推理加速、显存优化和服务稳定性；评测偏方法，关注基准设计、红队测试和偏差分析；合规偏治理，关注许可证、数据来源和价值观落地。两类方向关注点不同：想做训练的人要能读论文、复现实验；想做评测与合规的人要能设计对照、写清判断依据。读岗位描述时，别只看“大模型”三个字，要确认团队交付权重、API还是内部工具，这决定你每天的工作形态。

面试时怎么核查团队是不是真在做开源？

那则讨论强调模型要内嵌价值观并作为公共资源，这句话可以反过来变成面试核查工具。如果团队宣称做开源，你可以问：模型权重是否公开、以什么许可证发布、社区贡献者能否参与迭代、价值观对齐是写进训练目标还是只写在官网。这些问题不是断言对方一定在包装，而是帮你区分“发布开源模型”和“把开源当招聘话术”两种状态。

假设一个模拟场景：A团队说“我们开源了模型”，但追问后发现只公开推理接口；B团队能说清权重版本、数据卡和社区issue处理流程。两者对求职者的成长价值可能不同。你不必在面试中下判断，只需把回答记下来，对照自己的方向选择。若对方只谈宣传、不谈维护成本，也不代表一定有问题，但值得继续问版本管理和社区贡献流程。

如果日常AI应用扩大，哪些技能值得提前准备？

如果那则讨论所说的“接管日常AI”真的发生，微调、评测、部署和合规这些可迁移技能值得关注。但不要预设它们一定带来岗位增长——现有素材没有给出技能需求变化或招聘行情，不能从一条观点推导。更稳妥的做法是：挑一个目标岗位，把要求拆成“必须会”和“加分项”。比如评测岗可能要求设计基准、写分析报告；部署岗可能要求推理加速、显存优化和服务稳定性。这不是录用保证，而是帮你核对技能价值。

一个实际可做的小建议：找三个开源模型项目，分别看贡献指南、issue区和许可证，问自己更愿意做哪类工作。这个动作不能保证求职成功，但能把“想进开源方向”变成具体的择业核查问题。