OpenAI 筛选扫规模化 ML shipping + safety 对齐 + 研究深度。通用 ML 简历挂。生产部署 > Kaggle 奖牌;alignment 论坛文 > 通用「我爱 AGI」。
OpenAI 的 screen 扫规模化 ML shipping + safety 对齐 + 研究深度。报道中位 IC TC ~$555K 和 <2% 录取率反映高门槛过滤。通用 ML 简历——Kaggle 奖牌重、框架使用者浅——即使关键词 clean 也在人类读时挂。
SWE/RE 筛选最重要三个信号:(1)生产 ML 部署——具体栈(Triton、vLLM、ONNX)、具体优化(量化、prompt 缓存、推测解码)、具体规模(query/天、p99 延迟、GPU 数);(2)研究深度信号——从零 transformer 实现、论文复现、对 ML 框架的实质 OSS(PyTorch、HuggingFace、JAX);(3)safety/alignment 参与(对 alignment 角色)——alignment 论坛 / lesswrong 文、interpretability OSS、论文批评。SWE 级别没生产 + 深度信号的 bullet 筛掉。
自然地织进 bullet 和技能区。别堆关键词——跟具体成就配对。
用 GPT 建了一个 chatbot。
在 GPT-4 + 自定义 embedding 上实现生产 RAG pipeline,服务 10 万 query/日;通过 prompt 缓存 + vLLM + 推测解码把 p95 延迟从 4.2s 降到 980ms。
生产 ML 部署 + 规模 + 具体优化技术(vLLM、推测解码、prompt 缓存)——这些正是 OpenAI screen 在 SWE 级别扫的信号。
做 NLP 任务的 transformer 模型。
用 PyTorch + DeepSpeed 在 64 个 A100 上从零训练 7B 参数的 decoder-only transformer,在 2000 亿 token 上;在 workshop 发表 ablation 论文,代码在 GitHub 发布(1.2K star)。
从零训练 + 规模 + 开源贡献 + 论文。RE 门槛具体看重从零能力超过框架使用。
指导团队 ML 最佳实践。
写了被 4 个产品团队采纳的内部 RLHF 训练 playbook;通过系统 eval 套件设计把 reward-hacking incident 减少 60%;在内部 AI safety review 上展示 learning。
RLHF 是 OpenAI 核心技术。Reward-hacking 意识信号 safety 对齐。具体指标(60% 减少)+ scope(4 个团队)匹配 L4+ scope 期待。
贡献开源 ML 项目。
HuggingFace transformers 核心贡献者(12 个 merged PR,4 个在 trainer 模块);为社区维护 Llama-2 量化实现;在 lesswrong.com 发表 interpretability 文章(47 upvote,23 comment)。
具体 OSS 贡献配 PR 数胜通用「贡献者」。Alignment 论坛 / lesswrong 参与信号 OpenAI 具体看重的 safety-pilled framing。
只用 PDF、单栏、纯文本可提取。ML 论文 / GitHub 链接应是超链接(LaTeX 风格 \href 在 PDF 里能用)。
多栏布局(parser 挂)。Bibtex 风格内联引用——对 screen 扫太密。
内联链接 bullet 关键词:「PyTorch transformer (github.com/yourname/repo)」。用真实 repo URL 不用 bit.ly。Star 数只在 >100 时(否则看起来弱)。
列 GitHub 上每个项目。3-5 个实质 repo > 20 个小的。Paper-mill 简历降分。
主打 PyTorch + 生产部署具体(Triton、vLLM、ONNX)。JAX 加分。具体硬件(A100、H100、TPU)相关时。
通用「machine learning」或「deep learning」作主要技能。ATS 错过——要具体。
如果申 alignment 角色,明确列 alignment 论坛 / lesswrong 贡献。引用你参与过的具体论文(Constitutional AI、RLHF 论文、interpretability 工作)。
summary 里通用「我关心 AI safety」。通过行动展示(论坛文、safety 项目 OSS、论文批评)不是声明。
Kaggle 比赛展示 ML 技术但不是生产部署。OpenAI 的 screen 看重生产工作——规模化推理服务、延迟优化、生产 RLHF——远超比赛结果。强 Kaggle 没生产工作——SWE 级别标记业余信号。
简历 summary 写「passionate about AGI」零信号——每个申请人都说。换成具体参与:「从零复现 GPT-2 训练(链接)」、「贡献 interpretability 工作(链接)」、「开源 RLHF 工具维护者(链接)」。通过做来展示。
OpenAI RE 门槛具体看重从零能力——从零实现 transformer、自定义 CUDA kernel、训练循环 debug。读起来像「用 HuggingFace Trainer 微调」没底层信号的简历——深度过滤器挂。
OpenAI Alignment / Safety 角色:lesswrong / alignment 论坛参与、interpretability OSS 贡献(比如 transformer-circuits)、或对具体 safety 论文实质性参与是必需-但不明确的。没有的话 mission 对齐读起来空洞。
「Implemented architecture from [Vaswani et al. 2017] following methodology of [Brown et al. 2020]...」是 PhD 风格。简历风格:「在 PyTorch 里从零实现 transformer(47 层、7B 参数)」。在面试时辩护引用,简历里不引。
Applr 从你的背景浮现生产 ML 工作 + 研究深度信号、把 bullet 框架成 OpenAI screen 扫的结构、防止 Kaggle/框架使用者膨胀过深度过滤器。对 RE 路线申请人,对话浮现从零实现工作——RE 候选人最差异化的信号。
不,RE 按官方招聘接受强 SWE + ML side project。Alignment RE/RS 偏好 PhD。非 PhD 候选人:替代信号包括 publication(ICLR/NeurIPS workshop 算)、对 ML 框架的实质 OSS 贡献(PyTorch、HuggingFace、JAX)、独立研究写作(lesswrong、alignment 论坛)。简历应信号等价 publication record 的深度,即使没正式 PhD。
具体部署栈(Triton、vLLM、ONNX、TensorRT)、具体优化技术(量化、distillation、推测解码)、具体规模(query/天、p99 延迟、GPU 数)、具体结果(延迟降低、成本节省、吞吐改善)。「在生产里部署模型」是通用;具体差异化。
对新人有用,2+ YOE 级别权重少。Kaggle 奖牌展示 ML 技术但不是生产部署、debugging、或系统设计。强 Kaggle + 零生产 = 只比赛信号。强 Kaggle + 生产工作 = 双信号。RE/SWE 申请优先生产工作占简历空间。
如果实质参与(你复现、批评、或基于它建)就列。引用:「复现 GPT-2 训练 pipeline(github.com/yourname/gpt2-repro)」、「按 [InstructGPT 论文] 技术配自定义 reward 模型实现 RLHF」。别只列你读过的论文标题——那信号浅。
SF 的 SWE/RE 角色 sponsor。强 H-1B sponsor。有美国工作授权(OPT/STEM OPT)的国际学生路径清晰。签证协调可能让标准 6-8 周 loop 延长 2-4 周。
新人 / <3 YOE 1 页。senior 最多 1-2 页。PhD 候选人:1 页 CV + 1 页简历(CV 列论文,简历讲工程工作)。相关信号密度胜全面历史。砍 2 年前不连接当前工作的 Kaggle 比赛。