传统后端 or 大模型开发？

求大佬们帮忙选选offer，都是开发岗，薪资基本一致，是两个方向，主要考虑职业成长，后续发展字节的广告后端，是做ai视频广告生成平台，也会做一些agent开发。优点是广告业务比较赚钱，大模型落地的方向这两年很火，未来跳槽可能更容易。字节晋升与涨薪相对较快，后续薪资大概率高于阿里云。缺点是业务较新，探索期的业务可能方向略有混乱，不知道具体这部分业务是否赚钱，有没有未来营收不好被毕业的风险，并且字节本身流动性比较大阿里云云网络研发。优点是业务和组都很核心、稳定赚钱，比较有技术深度，相比业务驱动可能不可替代性强（这一点不确定），但是有半夜oncall的可能。缺点是方向比较窄，跳槽大概率去云厂商，阿里云晋升/涨薪缓慢求路过的大佬帮选！感谢感谢～

0.0 前提说明答应各位uu的秋招总结及经验分享终于来了！26届秋招的形势是近5年来最差的，也可能是未来5年最好的。主包运气也比较好，拿了5个ssp/sp，确实有一些经验，也有一些教训，想跟大家分享一下。为了能真正在不同时间段内帮助到各位学弟学妹，和结识更多优秀的朋友，我也尽量抽出时间维护自己的27届秋招经验分享交流群，会在群里不定期分享自己不同时间的经历和状态，也希望跟各位朋友一起探讨知识和未来的规划。希望大家可以点赞、评论和收藏支持一下，让主包更有动力去做，先谢谢各位啦！1、个人相关1.1 bg和方向26届双非本末九鼠硕，后端开发(java) or 大模型应用开发，本科转专业（生物-&gt...

1.实习介绍2.介绍transformer架构3.transformer架构为什么要切分为多头？4.讲一下attention的具体计算步骤5.计算attention的softmax之前为什么要除根号d_k6.介绍一下transformer位置编码；还了解别的位置编码吗？7.如果在transformer中，把K去掉，变成Q*Q*V，这样会有什么问题吗？假如不考虑解码器，只考虑编码器内部的attention操作的话，这样会有什么问题？8.transformer是encoder-decoder架构，而GPT是decoder-only架构，为什么会演变成这样一种形式？为什么把encoder给舍弃掉了？9.为什么像GPT这种生成式任务，不同时利用encoder-decoder？10.transformer的FFN层为什么会逐渐演变成MOE层？11.moe层的负载均衡具体是怎么做的？偏置项b是怎么训练的？你怎么保证有一个机制让偏置项得到变换？照理来说，偏置项b应该放到损失函数中，这应该怎么设计？12.做agent有哪些框架？13.做agent的开发范式有哪些？14.lora微调的核心原理是什么？15.大模型幻觉了解吗，怎么缓解大模型幻觉？16.手撕，最长递增子序列

最近看到大模型方向的高薪offer引发了一些讨论。有人感叹“选择比努力更重要”，认为抓住了风口就改变了一切。作为局中人，我想聊聊我的看法。确实，大模型带来了薪资结构的显著变化。开发岗今年60万可能已近上限，而大模型方向80万以上的包并不少见，部分公司给硕士生的总包甚至超过百万。更值得关注的是，一些高薪候选人并没有顶会论文，仅凭扎实的实习和工程能力就拿到了机会。这似乎印证了“选择决定论”。但我想说，大模型的高薪并非“风口上的猪都能飞”。行业的高回报，是对这群人特定努力和能力的市场定价。首先，这个行业的门槛和竞争强度被严重低估。它不是避风港，而是竞技场。你需要快速跟进日新月异的技术，处理海量数据与复杂工程问题，承受极大的交付压力。很多从业者付出的心血并不比在传统赛道发顶刊少。市场的定价，正是对他们所克服挑战的认可。其次，行业的内部淘汰率非常高。我们只看到头部选手的光鲜，却忽略了大量“卷”不出来的人。他们的处境或许比许多稳定方向的从业者更艰难。幸存者偏差让我们容易得出片面的结论。大模型是当下的重要选择，但它从不是轻松的通途。它更像一个放大器：选择决定了你进入的赛道，而努力与能力决定了你能在其中走多远、留多久。对于个人而言，在正确的方向上持续积累有效的努力，或许才是更实在的答案。我拥有7年大厂算法经验，担任过技术面试官，欢迎交流。