senior eng下一步：应该坚守MLE还是靠向llm呢？

匿名用户 发表于 2026-10-24 14:12
好奇你们都啥搜光推背景可以轻易转llm inference呀？我感觉那个很specialized，要对GPU cuda啥的很有钻研 ...

搞hstu那帮人三年多以前就把各种triton kernel launch到production了，什么推广搜infra对优化gpu inference不熟？

匿名用户 发表于 2026-10-24 08:37:07
虽然有点晚了，推荐你往llm靠，因为至少目前这边的hc、升职和pkg比传统搜广推好很多，你比较年轻，没有打算很多精力推娃的话，随着娃长大会有更多精力。至于是否值

感谢回复，请问你在llm里面做什么方向的呢？以及在你看来哪些是比较有意思的方向呢？
我个人是觉得train和inference我很难qualify，毕竟现在人太多了。

用llm做rec今年recsys有很多文章，楼主先看起来，这个是未来，大家都在转，不转的会被淘汰

你去做gen Rec啊 两个都不用丢

说得好像能轻松去做llm

匿名用户 发表于 2026-10-24 12:39:30
谢谢回答，现实的确是这样。如果能力超群或者已经在好的组会没有这些纠结。
就是能力普通，组也一般才纠结应该把精力投到哪里。总不能一边干本职，一边看别的mle组，一

但取舍终究还得自己做啊，旁人可以集思广益提供利弊分析，可是我们又不知道你到底最在乎什么。

level完全不重要，搜广推现在路边一条，能跑赶紧跑，什么方法都行。

世另我，我还以为是我发的帖🤣🤣🤣

我个人自己的选择是在推广搜搞llm的应用（harness），然后慢慢往post-training上靠。只要能提升个人能力，有没有business impact我都不care了，组里乱就乱点，scope有没有的我也懒得关心…按时打卡下班拿钱。曾经我还很有ownership现在真的被政治斗争搞没了

至于晋升我个人觉得反正升了也涨不了多少，倒不如学好技术然后跳槽

我现在做agent trajectory control,虽然主要是llm，但是其中核心方法全部是传统统计方法，比如置信度指标。单纯llm除非是搞训练，但是那更偏向工程（基础设施），其实没有什么门槛

匿名用户 发表于 2026-10-24 23:43
level完全不重要，搜广推现在路边一条，能跑赶紧跑，什么方法都行。

可以详细说说吗？我有2个问题：1）比如generative recommendation现在大家也尝试用在各种地方，2）你推荐什么样的方向呢？