一些想法

最近去快手实习，用VLM做多模态内容理解。上一段是一个小厂的CV视觉算法，与智驾目标检测相关，上上段实习是小米的决策规划，主要洗数据和自己学习逆强化学习。

看过很多人的bg，在三个厂也实习过，最近也有Meta收购Manus的信息，不禁有些感触，

最近最火热的是大模型相关，大模型分为应用和基模研究，前者偏向业务和落地服务，后者偏向基础模型构建，但是在我看来，LLM、VLM、MLLM等，实际上真正落地收益很大的方向，实际上并不广泛，例如用VLM大模型来做目标识别，你用非语言模型来做，当然也可以甚至做的比它还好，大模型最核心的其实是生成，它是一个概率生成模型，最显著的方向我认为是教培，AI辅助教育行业，比如猿辅导作业帮等，似乎是大模型最收益的落地，其余的问答系统，或者是其他应用，想要真正落地应用并收益（指的是广泛性的应用，比如推荐算法会推荐商品，让东西更好地卖出去，这叫真真实实的收益，如果大模型仅仅靠贩卖API来想收益，是否不太理想？），还是有比较大的距离，也就是说其实大模型还有发展的空间，但是具体往哪方面发展，还是看基础模型的性能。

Meta收购Manus更进一步证实，构建基础模型很重要，但是如果将模型切身实地使用在日常生活中，应用在各个方面，并且能够获得收益，才是大模型这个泡沫持续壮大的最关键因素。众所周知，推广搜和距离钱最近的业务，因为他的推荐和广告效果，对于收益有最直接的影响，这就是一个很好的算法应用例子。

我有个很大胆的猜测，未来的趋势一定是基础模型的研究变成几家独大，然后应用算法岗位，才是最需要的。

我没有论文，没有顶会，实验室资源应该也很难有，发现很多人的bg就是手握几篇a会顶会，然后去闯人才计划，我不禁在想，真的需要这么多基础模型的研究人员吗？应用型的岗位是否是更看重具体的应用措施和经验，实习三段，我觉得对于大厂来说，如果使用的模型跟最好的模型相差不超过10个点或者5个点，都完全可以用调参来进行逼近，a会很多都是策略和模型部分创新，但是这些在应用岗上真的需要吗？应用岗实际上并不一味追求模型的架构带来的性能影响，可能数据更重要，和如何应用得效果更好更重要，追求模型的架构带来的性能提升，可能对于应用岗来说，如果你需要大量时间实践的话，其实是时间不允许的，那是基础模型研究才能容忍的，应用岗似乎更追求周期短，效果快，所以其实a会最好是去做基础模型的研究？所以实际上，对于我这种只能实习，无法产生顶会的人员来说，最好的就是去接触最有质量最涉及应用核心的实习位置，让我对业务有更深刻的理解，而不是去追求基模的研究。未来的职业规划应该也是，尽可能去拿算法应用业务岗位的好offer。

下一段实习我应该会去LLM结合推广搜的核心业务岗试试看，或者去基础模型研究岗位看看，不一样的风景，可能会让我又有不一样的领悟。

不知道未来的路如何去走，但就是需要慢慢前进慢慢探。