数学家陶哲轩最近谈到，大语言模型的训练和运行主要用到线性代数、矩阵乘法和少量微积分，本科水平就能掌握；真正说不清的是为什么它在某些任务上表现好、某些任务上失败，而且无法提前预测。消息提到，缺乏跨任务预测表现的好规则，进展很大程度上依赖经验。

这对准备算法面试的人是个提醒：面试官问“你的模型为什么有效”，想听的不是一句“因为用了注意力机制”，而是你能否把机制解释和效果验证分开说。

机制层讲结构，效果层讲条件

假设面试官问你一个文本分类项目。两种答法差别很大。

一种答法是：“我用了预训练模型加微调，效果很好。”这等于什么都没说。另一种答法是：“机制上，我用预训练编码器加分类头，冻结底层、只训练顶层，因为标注数据只有几千条，全量微调容易过拟合。效果上，我在[实际记录]的验证集上对比了冻结与全量微调两组设置，前者更稳定；但我没有在跨领域数据上测过，所以不敢说它泛化好。”

第二种答法的价值在于：机制部分说清了你的设计取舍，效果部分交代了在什么数据、什么任务、和什么基线比，最后主动划出未验证的边界。陶哲轩说自然文本处于部分结构化、部分随机的中间地带，相关数学很薄弱——这意味着你无法用一套理论保证模型一定有效，只能靠实验条件说话。

简历里区分“已验证”和“观察到”

既然跨任务表现难以提前预测，简历上的措辞就要诚实。

只把实际跑过、有记录的结果写成成果。比如“在[实际记录]数据集上，F1 从基线提升到[实际记录]”，这是已验证的。

对无法解释的波动，用“在[实际记录]条件下观察到”而不是“提升了 X%”。比如某次换随机种子后指标跳了几个点，你解释不了原因，就写“观察到指标对随机种子敏感”，这本身就是有价值的工程信息。面试官更愿意听到你承认不确定性，而不是编一个事后解释。

该补的是实验设计，不是万能解释

面对“效果不可预测”，求职者容易想去找一套能解释一切的理论。更实际的方向是补实验设计、对照设置和结果记录能力。

读岗位描述时，可以留意它是否要求“设计并分析实验”“建立评测流程”这类职责，而不是只写“熟悉某某模型”。面试中展示你如何系统记录失败与成功：失败案例有没有分类，对照组怎么设，结论的适用范围写没写清楚。这些比背模型结构更能说明你会做研究。

一个实际可做的小建议：下次准备项目介绍时，先写一句机制解释，再写一句验证条件，最后补一句“这个结论在什么情况下可能不成立”。三句话练熟，比堆术语管用。