DeepSeek招天才，Kimi找老兵

在大模型竞争白热化的当下，各家团队除了比拼算力和数据，招聘策略也呈现出截然不同的分野。

业内信息显示，月之暗面（Kimi）与深度求索（DeepSeek）在人才选拔标准上形成了鲜明对比。这种反差不仅源于两家团队的工程文化，也直接受制于底层的算力储备现状。

两种招聘画像：竞赛原教旨 vs 斯巴达实战派

DeepSeek 的招聘策略偏向“竞赛原教旨主义”。在简历筛选阶段，团队更青睐 ACM、ICPC、各类超算比赛的奖牌得主以及极具数学天分的年轻本科生，对既往的大厂工程经验并不强求。面试核心考察的是选手的思维敏捷度、探索欲以及底层数学功底。

在 DeepSeek 看来，传统大厂的千亿模型训练套路在新一代架构演进中容易成为认知包袱。团队愿意给新人两到三个月的适应期，注重长期培养后的潜力释放，倾向于从基础原理层面推导创新。

与之相对，Kimi 则呈现出强烈的“实战派”特征。Kimi 需要的是能够直接接手复杂任务的即战力，招聘考核极为务实：

• 是否亲手跑过大规模模型训练实验；
• 是否深入排查过基准测试中的数据泄露与模型作弊问题；
• 面试直接考核高难度 Coding，重点看候选人的工程习惯以及自主搭建提效工具的能力。

Kimi 期待员工能迅速融入业务，将研发动作快速转化成实际工程产出。

人才策略差异背后的算力账本

两家头部大模型团队在招聘门槛上的割裂，深层驱动力是算力资源的充裕程度。

依托幻方量化的储备和早期的硬件投入，DeepSeek 拥有相对充裕的 GPU 算力资源。这种硬件底气允许团队在没有短期产出压力的情况下“培养天才”，让年轻研究员有充足的时间研读论文、尝试架构创新（如对 MoE 混合专家模型的优化），从底层数学推导出能效比更高的训练方案。

而算力资源相对紧张的团队，每一张计算卡的运行时长都容不得浪费。如果花费数月去培训新手熟悉集群调试和排查底层通信故障，算力损耗成本极高。因此，Kimi 必须锁定那些已经积累了实战踩坑经验、能用工具链榨干硬件性能的成熟工程师。这是在资源约束下追求极限制程的合理选择。

大厂光环褪色，工程落地回归本质

大模型领域的这种招聘转向，也印证了传统“大厂经验”在生成式 AI 时代的价值重估。

过去依靠堆砌算力硬砸结果的工程师，面对资源受限环境或全新模型架构时往往缺乏应对手段。与此同时，模型落地面临着海量繁重的工程细节：数据清洗、评测防刷、推理加速等。在这个技术以月为单位演进的周期里，能够快速打破思维定式、自主搭建提效工具的开发者，正变得比单纯拥有履历背书的从业者更为稀缺。