各位,重磅来了。
我准备在星球做一个连载系列:《科技行业做单地图》
这个系列会围绕我比较熟悉的几个科技赛道展开:
互联网 / AI、自动驾驶、具身智能、AI芯片。
我会逐步拆解两个核心内容:
第一,技术岗位怎么细分。
比如大模型算法、智能驾驶算法、具身智能算法、AI芯片相关岗位,到底应该怎么分类、怎么理解、怎么打标签。
第二,哪些公司值得关注(有前途)。
我会从自己的视角,整理这些赛道里值得长期关注、适合BD、适合交付的公司。这个系列对三类人都有价值:
1、你是做技术岗位的猎头,这套岗位细分可以直接拿去用。它可以帮你
建立整体认知
可以直接让AI按照这套分类帮你分析候选人属于哪个子方向。
和候选人沟通时不会说外行话
用来给简历库打标签
我之前帮大家做了AI skill:我为猎头做了一个AI Skill:整理人才库/加好友/发邮件(送你)你把这个分类给AI,他就可以自动帮你打精准的岗位分类标签
2、你不是做技术岗位的:
那就关注哪些科技公司值得长期关注,可以去BD,做猎头源头的选择很重要
3、你正准备开拓科技行业的公司
那这绝对是你最落地的科普资料和行业地图
我希望这个系列最后能变成一张真正可用的“科技行业做单地图”,帮助大家看懂行业、看懂公司、看懂岗位,也更高效地BD和交付。
以下是部分正文:
-----------------------------------------------
互联网 / AI公司 大模型算法细分(一共11个大类)
预训练方向;
一、LLM基础模型 / Scaling团队
大模型算法 - LLM基础模型
基座预训练(预训练、Tokenizer、数据配比、多语言预训练)
Scaling Law / 训练配方(模型规模、数据规模、算力规模、训练recipe)
模型架构(Dense、MoE、Attention改进、Mamba)
长上下文基础建模(长上下文预训练、位置编码扩展、长程依赖建模)
小模型与模型压缩(蒸馏、剪枝、量化感知训练、小模型训练)
解决问题:解决语言大模型底座如何训练出来,以及在数据、算力、参数规模扩大后,如何持续提升基础能力、训练效率和部署性价比的问题。
打标签:大模型算法 - LLM基础模型 - 预训练