与「能」相关的搜索结果

转译：为什么面试聊得挺好，你却还是没拿到 Offer？（面试官视角） 我在论坛上看到过很多关于这个话题的帖子，所以想从面试官的角度，分享几个常见的原因：为什么明明候选人自己觉得面试发挥得特别好，最后我们却依然没能录用他。 1. 在核心岗位要求的问题上，你的回答不够扎实。 我遇到过不少这样的候选人：面对那些属于“加分项 (nice to have)”的技能问题时，他们对答如流、表现惊艳；但一问到核心的硬性技能 (core mandatory skill)，回答就显得有些单薄，最终也因此被淘汰。这里的难点在于，候选人往往并不清楚公司最看重的到底是什么技能，尤其是招聘启事 (job posting) 上可能也写得模棱两可。如果一份招聘启事列了一大堆要求，我觉得非常值得在面试一开始就主动问清楚。比如你可以这样说：“我的过往经历比较广泛，但今天这场面试，我希望能把重点放在贵公司最看重的部分。在你们列出的岗位要求中，有哪些是优先级特别高、需要我在接下来的交流中重点展示的吗？” 2. 早有其他内定或更偏爱的人选，这与你个人无关。 举个例子，我曾多次参与面试评审团 (hiring panels)，期间遇到过让我惊艳的优秀候选人，双方聊得非常投机，我也强烈推荐录用他……但评审团里另一位更有话语权的面试官，心里已经有了别的意向人选（通常是他们以前合作过、知根知底且配合默契的熟人）。又或者，这个岗位本身就有一位实力很强的内部候选人 (internal candidate) （注：指公司内部申请转岗或晋升的员工，通常因熟悉公司业务和文化而具备天然优势），除非他在面试中表现得一塌糊涂才会痛失机会——但只要发挥得中规中矩，这个岗位就稳稳是他的了。 3. 你确实非常优秀，但不太适合这个特定岗位。 好几次我和候选人聊得极其愉快，心里甚至忍不住感叹：“天呐，真希望我们有个别的岗位能留住这个人！”因为他们显然是不可多得的人才，只是和当前招人的这个岗位不那么契合。这通常出于一些你无法控制的客观原因：比如对这个岗位来说，你的资历显得太浅或太深；又或者你的技能树和兴趣点偏向另一个专业领域，而我们在当前岗位上很难让你充分发挥。举个例子，我曾经面试过一位极其优秀的候选人，经验非常丰富，我们所有人也都被他的过往作品深深吸引。但聊下来可以明显看出，他平时更多是在做统筹与管理，而不是亲力亲为地做一线落地执行 (hands-on implementation)，而我们这个岗位恰恰急需一个能直接上手干活的实干家。 4. 存在一些未明说的“隐性门槛”或偏好，而你恰好没满足。 我觉得这种情况比大家想象的要普遍得多。比如，我有一次参与面试时，内部其实心知肚明这个岗位没有任何晋升空间。其中一位候选人明显非常有野心、渴望往上走，于是我们淘汰了他，因为我们更想找一个愿意在天花板明显的岗位上安稳待得更久的人。还有一次，我们知道这个岗位平时需要频繁对接一位性格强势、很难搞的业务相关方 (stakeholder) （注：指在项目中与你存在工作交集、利益关联的同事、跨部门负责人或客户），所以我们淘汰了一位看起来过于顺从、脾气太好的候选人，因为我们清楚这里需要一个极其自信、能够守住底线并顶住压力的人。这类要求大多数公司是绝对不会写在招聘启事上的，属于典型的“隐性要求”。此外，有些招聘启事单纯就是写得很烂，根本没有准确传达出招聘经理 (hiring manager) 真正想要什么样的人。所以，如果你觉得自己明明符合纸面上的所有要求却还是落选了……请记住，背后很可能存在一些你不知道的隐性条件。 5. 你已经很棒了，但刚好有人比你更匹配。 有些岗位的竞争真的非常激烈，会涌现出一大批背景强硬、条件完全达标的候选人，我自己在做决定时也常常纠结万分。在这种情况下，最终的胜负往往取决于一些极其微小且主观的细节——比如另一位候选人刚好比你多满足了几个我们的加分技能。 6. 其实面试并没有你以为的那么顺利。 我在面试评审团里遇到过一些明显不会“察言观色 (read the room)”的候选人，我完全能想象到，他们回去后可能会觉得自己发挥得棒极了，但其实根本不是那么回事——我们当时只是在保持礼貌而已。我还见过评审团里的同事对某位候选人表现得极其热情（比如不断追问、非常宽容地引导思路、肯定或顺着对方的话往下聊），哪怕在座的所有面试官心里都清楚这位候选人根本没戏。我个人通常会尽量避免这样做，免得给候选人造成虚假的希望；但有些面试官确实会因为同情那些表现不佳的候选人，而觉得有必要对他们格外友善。如果你担心自己属于这种情况，我建议找身边认识的人做几次模拟面试 (mock interviews)，听听他们对你面试表现的真实反馈。 总而言之，拿不到 Offer 往往没那么简单，并非只有“你肯定哪里做错了”或者“整个面试流程都是走过场”这两种极端。很多时候你完全没有做错任何事（一切都不在你的掌控范围内），纯粹只是因为背后还有其他客观因素在起作用罢了。

平常拿起手機，我們最常做的事情大概就是滑社群、看影片、回訊息，偶爾玩個遊戲。 但如果換個角度想，手機裡面其實有 CPU、RAM 和儲存空間，這些都是可以拿來執行程式的硬體資源。 Acurast 想做的事情，就是讓這些分散在不同使用者手上的手機，有機會成為開發者可以使用的運算資源。 那麼，手機提供的 Compute 到底能做什麼？ 可以先從幾個方向理解 1⃣ API 和自動化工作 開發者可以部署程式，讓它定期執行指定任務，例如資料處理、API 請求或自動化流程。 2⃣ AI 相關應用 AI 模型需要運算資源才能執行。Acurast 正在探索讓手機承接 AI 推論等工作，讓分散式設備也能參與 AI 基礎設施。 3⃣ 資料處理與網路服務 像是資料分析、網站服務、區塊鏈相關工作，也可能成為分散式 Compute 的應用方向。 這裡有個地方我覺得值得注意。 每一種工作對硬體的要求都不同。有些任務可能比較重視 CPU，有些需要更多記憶體或儲存空間，所以不是所有手機都適合執行所有工作。 Acurast 會透過設備的 Benchmark 評估 CPU、RAM 和 Storage 等能力，再依照需求匹配適合的 Processor。 這也是為什麼手機效能和設備狀態會影響它能提供的 Compute。 我認為這個概念最有趣的地方，是讓原本只存在於個人手中的硬體資源，有機會被組織起來，成為開發者可以使用的基礎設施。 未來能不能承接更多有價值的工作，還要看開發者是否真的願意使用，以及網路能不能維持穩定。 但至少從應用方向來看，手機算力已經有不少值得研究的可能性。 官方文件：

以太坊研究团队提议提前布局量子安全，目标瞄准 2027 年！ Ethlabs 提出将以太坊后量子安全升级目标提前至 2027 年，同时加强应对 AI 带来的新型安全威胁。 为了优先推进安全升级，团队甚至建议暂缓部分提速计划，将资源集中到抗量子技术上。 虽然量子计算真正威胁区块链还需要时间，但提前做好准备已经成为重要议题。 未来量子计算突破后，今天的加密资产还能安全吗？

做预测市场，真正的竞争可能不只是看谁能吸引更多用户，而是看谁能把底层基础设施做好。 发现@sight_hood 的思路有点不一样。 他们早期在 Robinhood Chain 上探索短周期涨跌预测和多选市场，现在又开始推进自己的 SightEVM。简单理解，就是不满足于只做一个预测市场应用，而是想从底层打造一套更适合预测市场运行的基础设施。 为什么需要专门做一套？其实很好理解。 比如一场足球比赛，开赛前有人看好主队，比赛中途比分发生变化，市场赔率也会跟着波动。用户可能需要随时查看行情、买卖仓位，甚至短时间内连续交易。如果网络拥堵、Gas费用突然上涨，交易体验自然会大打折扣。 SightEVM 想解决的正是这类问题。它并不是简单复制一条通用EVM链，而是围绕预测市场的高频交互进行优化，同时保留熟悉的 Solidity 开发环境，以 SGT 作为原生 Gas，并计划配套跨链桥和 DEX。 当然，基础设施最终还是要靠应用和用户来检验。技术路线再好，如果没有开发者愿意接入，没有真实交易需求，也很难形成生态。 所以我对 SightEVM 后续的发展更关注实际表现：交易速度能否稳定、成本能否控制，以及能否吸引更多预测市场项目加入。 预测市场的想象空间很大，但想真正做大，光有前端产品还不够。@sight_hood 选择从基础设施入手，这条路值得持续关注。

23岁工程师和哥哥做AI看盘应用，采访时每月约5.6万美元。 德国的Timo以前在汽车公司做软件工程师，和哥哥一起做了ChartDetector AI。拍一张股票或加密货币行情图，它做技术分析，再给方向建议。 2026年7月的Starter Story采访里，他当着镜头说当时每月约5.6万美元，折合大概40万人民币；上线13个月，累计营收超过26万美元。 这是收入不是利润。他举例某个4月做了4.37万美元，扣掉广告和苹果抽成，利润大约1.15万美元。两个人，不是一个人，也不要暗示这个AI能帮人稳赚。 同类开源可收藏：stock-pattern，能扫描并画出股票图表形态，分析的是行情数据，不是手机拍照。

机械、电气学生最难受的，不是 AI 要抢饭碗，而是眼看着 AI 行业高薪岗位越来越多，自己连入场券都没有。 毕业进工厂，做设备维护、现场调试、生产管理。工资不高，成长有限，想转行却发现招聘要求里全是算法经验、项目经历和名企实习。 我自己也是机械专业毕业，从矿山到消费电子自动化产线，接触过机械机构、PLC、传感器和机器视觉。 但我很清楚： 接触自动化设备，不代表具备自动化研发能力。每天处理设备故障，也不代表掌握了控制算法。 所以我不太认同网上那些建议：机械、电气学生赶紧学 Python、学大模型，就能吃到 AI 红利。 哪有这么容易。 会调用 API，不代表企业愿意给你高薪。会用 AI 写代码，也不代表你能设计一套可靠的控制系统。 但传统工科并不是没有机会。 AI 要进入机器人和真实工厂，最终还是绕不开机械结构、运动控制、传感器、工业通信和设备安全。 这恰好是机械、电气学生可以建立优势的地方。 与其和计算机专业学生硬卷大模型算法，不如往机器人、机器视觉、运动控制、工业软件、Physical AI 这些交叉领域靠近。 但也要认清现实：行业有前景，不代表每个进入这个行业的人都能拿高薪。 对于普通家庭、普通学历、没有名企资源的学生，我觉得最重要的不是追哪个风口，而是判断自己现在做的事，能不能成为进入下一份更高价值工作的筹码。 哪怕第一份工作工资不高，也尽量选择能接触核心技术、积累项目经验的岗位。 如果每天只是重复操作、处理异常、填报表，干了三年，除了熟悉公司的设备，什么能力都带不走，那才是真的危险。 我现在也在面对同样的问题。 想转向更有技术含量、收入更高的岗位，但现实是，知道方向和真正跨过去，中间还隔着很长一段路。 很多传统工科学生不是不知道 AI 代表未来，而是根本没人告诉他们，怎么从现在的位置走到那里。

我终于想到应该怎么形容 Fable 5.2 了： 如果作为CEO，它的技术超过 CTO； 如果作为CTO，它还自己下场写代码； 如果作为程序员，它的架构、算法、项目管理，单拎出来每一项都是前1%。 哦对了，它还是全栈，前端后端数据库运维都能干。 反正如果世界上存在这样一个人，我不敢想象月薪是多少。而 Fable 5.2 现在每个月只要200美元。

AI视觉模型的核心设计 来自Meta和纽约大学的研究，做视觉多模态模型的可以参考。核心结论： 1）视觉编码器不用提前单独训练：跟着主模型从零一起训练，最终看图问答的准确率完全不输预先单独训练的版本，而且能省下大笔算力预算。 2）必须保留专门处理图像的独立参数：如果直接删掉视觉部件、让图片和文字共用参数，看图能力会大幅掉队，需要多花3倍算力才能追平。 3）视觉专属参数放进主模型前八层最有效：把视觉独立模块直接嵌进语言模型的前八层内部，不仅识别文字和图表的效果与外挂编码器打平。放进中后层则会拖后腿。 4）嵌入式设计让AI看图出字更快：省去了图片在外挂模块排队处理的环节，1.7B规模的模型在H200显卡上的首字响应时间从64毫秒缩短到37毫秒，反应更快。 项目地址：

MegaETH裁员20%，重心转向AI～🤷 联合创始人Shuyao Kong 11月13日宣布重组，区块链、钱包和生态团队都受影响，具体裁多少人没说～🤦‍♀️ 基金会刚改名MEGA，拿出国库资金做产品，第一个就是12月上线的AI推理市场～👻 转身的背景不太好看，DeFi锁仓从高峰2.45亿美元跌到880万美元，MEGA代币今年跌了超过70%，没想到一个主打极速的以太坊二层，最后是靠AI找第二春～🥈 不过新市场能不能拉来客户和算力，才是这场转型的真正考验，后面排队模仿的估计还有不少，都在看这个方向结果如何呢～😅

风口总体来说和普通人无关。 以前的买房、报考计算机大类、投身短视频……对于普通人来说，风口徒增焦虑，并不能带来任何助益。 处理好自己眼前的事，耐心解决眼前的问题，走一步看一步。 能做到这一点，就已经可以超越绝大部分周围的人了。