大模型算法简历基本信息要求
简历的基本信息是招聘方获取候选人第一印象和联系方式的窗口。对于竞争激烈、技术要求高的大模型算法岗位，一个专业、清晰、信息完备的基本信息模块至关重要，它能有效提升简历的可读性与可信度，帮助候选人从海量申请中脱颖而出。
必填信息清单
以下信息应置于简历顶部，清晰罗列，确保无遗漏：
1. 姓名：使用常用姓名，如有常用英文名可一并附上。
2. 联系方式：必须包括手机号码和常用邮箱。邮箱建议使用专业地址（如Gmail、Outlook或.edu邮箱），避免使用不正式或随意的前缀。
3. 求职意向：明确写出目标职位，例如“大模型算法工程师”、“LLM研发工程师”。这有助于HR和面试官快速定位你的申请方向。
4. 所在地/意向工作地：注明当前所在城市及期望的工作城市，方便公司评估面试安排和入职可能性。
5. 教育背景：列出最高学历（或即将获得的学历）的学校、专业、学位及就读时间。对于应届生或毕业不久者，此项尤为重要。
该岗位特殊要求
大模型算法岗位高度看重技术实践与开源贡献，以下信息强烈建议提供：
1. 技术博客/个人主页：如果你有维护技术博客、个人网站或知乎/掘金等技术社区专栏，务必附上链接。这是展示你技术思考深度和持续学习能力的绝佳窗口。
2. GitHub / GitLab 地址：这是算法工程师的“第二简历”。请确保链接有效，并且仓库中包含有代表性的项目代码，特别是与大模型预训练、微调、应用相关的项目。
3. 论文/专利列表：如有已发表或已录用的顶会论文（如NeurIPS, ICLR, ACL等）或相关专利，可在此部分简要列出最相关的1-3篇，或在后续“科研经历”中详细展开。
4. 领英（LinkedIn）主页：国际化的职业社交档案，可以作为补充。
信息排版建议
排版应追求简洁、清晰、易扫描：
1. 集中布局：所有基本信息应集中在一个区域，通常位于简历最上方。
2. 分栏显示：可将姓名、求职意向等标题性信息放在左侧或居中放大显示；将联系方式、在线资料等列表信息以分栏或图标+文本的形式排列在下方。
3. 使用图标：为电话、邮箱、GitHub、博客链接配上简洁的Font Awesome等图标，能极大提升美观度和可读性。
4. 链接可点击：在生成PDF简历时，务必确保所有URL链接是可点击跳转的。
正向示例
错误示例
错误1：信息不全，缺少关键资料
张伟
邮箱：zw123@qq.com
毕业于一所985大学。
错误2：格式混乱，可读性差
张伟
电话随便写写138xxxxxxxx邮箱是zw1234567@163.com我想找AI方面的工作我家在山西但想去上海我的github上有东西但地址太长就不写了对了我是学计算机的硕士。
错误3：使用不专业的联系方式
疯狂代码侠
📱 138-0013-8000
✉️ love_java_forever@qq.com
🏫 XX大学
格式与基本信息一键校验
自动检测联系方式、链接与排版，生成 ATS 友好的简历抬头。
大模型算法核心技能展示(附技能清单)
大模型算法岗位是人工智能领域的前沿核心，要求从业者不仅具备扎实的理论基础，还需拥有强大的工程实践与问题解决能力。以下是对该岗位核心技能的详细展示与分类。
核心硬技能清单
硬技能是从事大模型研发的基石，主要体现在技术深度与工程能力上。
核心软技能清单
软技能决定了技术落地的效率与团队协作的效能，是大模型工程师脱颖而出的关键。
技能展示的常见误区
在简历或面试中展示技能时，应避免以下空洞或错误的表述方式。
综上所述，一名优秀的大模型算法工程师应构建“深厚理论+强大工程+敏锐洞察+高效协作”的立体技能体系，并在展示时通过具体的项目、量化的结果和清晰的思考过程来证明自己的能力。
生成技能清单/职业摘要
根据 JD 自动提取硬/软技能，并生成 3 版可用摘要。
大模型算法简历工作经历怎么写(STAR法则详解)
对于竞争激烈的大模型算法岗位，一份能清晰、有力证明自身价值的工作经历描述至关重要。平铺直叙地罗列职责无法打动面试官，而运用STAR法则进行结构化阐述，则能系统性地展示你的问题解决能力、技术深度和业务影响力。
一、什么是STAR法则？
STAR法则是一种结构化表达方法，通过四个维度清晰地讲述一个完整的故事，尤其适合描述项目或工作成就。其核心构成如下：
Situation（情境）： 描述项目背景。当时面临什么业务需求或技术挑战？数据、资源、团队情况如何？
Task（任务）： 说明你需要承担的具体职责和目标。你要解决的核心问题是什么？
Action（行动）： 详细阐述你采取的具体行动、步骤和方法。这是展示你技术能力、思维过程和主动性的关键部分。
Result（结果）： 量化行动带来的成果。包括性能提升、效率改进、成本节约、业务增长等，最好能用数字衡量。
二、针对大模型算法岗位的应用技巧
在运用STAR法则时，需紧密结合大模型领域的特点：
1. 情境与任务： 突出问题的复杂性。例如，是解决长文本理解、幻觉缓解、推理能力不足，还是提升训练/推理效率、降低部署成本？明确任务的技术边界和业务目标。
2. 行动： 这是技术的核心。要清晰说明你的技术选型、模型架构设计（如微调方法LoRA/QLoRA、模型架构修改）、数据处理、实验设计、工程实现（分布式训练、推理优化）等具体工作。避免模糊的动词，使用“采用X方法优化Y”、“设计了Z架构以解决A问题”等具体表述。
3. 结果： 必须量化，并与任务目标呼应。使用权威的评估指标（如MMLU、HumanEval得分提升，推理速度/TPS提升百分比，GPU内存消耗降低比例，线上A/B测试指标提升等）。同时，可以提及工作产生的后续影响，如方案被推广、形成专利或论文。
三、时间倒序排列原则
工作经历部分应严格按照时间倒序排列，即把最近的工作经历放在最前面。这符合招聘方的阅读习惯，能让他们第一时间看到你当前的能力水平和经验。对于每一段经历，其中的项目或成就点也应按照重要性和相关性进行排序，将最亮眼、最匹配目标岗位的STAR描述置于前列。
四、经历筛选标准
并非所有经历都需要详细展开。筛选时应遵循以下标准：
相关性优先： 优先选择与目标岗位（如大模型预训练、微调、应用开发、推理优化）直接相关的项目。早期不相关的经历可简略描述。
体现技术深度与影响力： 选择那些能体现你核心技术贡献、解决了复杂难题或产生了显著业务/技术影响的经历。
展示完整能力链： 理想情况下，所选经历应能覆盖从问题定义、方案设计、实验验证到落地部署、效果评估的完整流程，展示你的全栈能力。
五、工作经历范例（使用STAR法则）
公司名称 | 大模型算法工程师 | 2022.11 - 至今
项目：金融领域大语言模型指令微调与部署优化
情境（S）： 公司需将通用大模型应用于智能投研助手场景，但模型在金融术语理解、报告生成准确性和数据合规性上存在不足，且原生模型推理延迟高，难以满足实时交互需求。
任务（T）： 负责对基座模型进行领域适配与性能优化，目标在特定金融评测集上准确率提升15%以上，同时将API接口的P99延迟降低至200ms以内。
行动（A）： 1. 构建高质量金融指令数据集：利用爬虫与规则清洗获取百万级原始文本，结合Self-Instruct与人工标注，构建了涵盖研报分析、风险问答等任务的5万条指令数据；2. 模型微调与优化：采用QLoRA技术对模型进行高效参数微调，并引入思维链（CoT）数据以增强模型推理能力；3. 推理优化：使用vLLM框架部署模型，通过PagedAttention优化显存管理，并实现动态批处理与量化（INT8）以提升吞吐。
结果（R）： 微调后的模型在内部金融评测集上准确率相对提升22%，幻觉率降低35%；推理端优化使模型P99延迟从850ms降至180ms，吞吐量提升4倍，成功支撑上线，日均处理查询10万+，获得业务方好评。
六、常见错误示例
公司名称 | 算法工程师 | 2021.07 - 2023.06
工作职责：
• 负责公司大模型的相关工作。
• 参与了模型微调和Prompt工程。
• 优化了模型效果，解决了一些问题。
• 负责模型部署。
上述描述模糊、空洞，仅罗列职责，未体现个人具体贡献、技术细节和可量化的成果，无法让面试官评估候选人的真实能力水平。
情境： 公司需要一个大模型。
任务： 我去微调这个模型。
行动： 我用了PyTorch和一些数据去训练。
结果： 模型效果变好了。
上述描述过于笼统，缺乏具体的技术方法（如微调技术、数据构造细节）、量化的评估标准和明确的业务价值，属于无效的STAR描述。
工作经历 AI 量化
按 STAR/指标重写要点，自动补全数据和动词，突出结果导向。
大模型算法简历项目经历怎么写(量化成果模板)
对于大模型算法工程师而言，项目经历是简历中最能体现技术深度、工程能力和业务价值的核心部分。一份优秀的项目描述，能让招聘者迅速抓住你的核心贡献和技术亮点。
项目经历 vs. 工作经历：明确侧重点
工作经历描述你的职责和常规工作，而项目经历则应聚焦于具体的、有明确目标和成果的独立任务或攻关。一个工作期内可以包含多个项目。项目经历的描述应更具体、更深入，并突出你在其中的独特贡献和可量化的成果。
项目描述的黄金结构：STAR法则的量化变体
推荐使用“背景-任务-行动-成果”的结构，并特别强化“成果”的量化部分。一个清晰的段落结构如下：
背景/目标： 用一两句话说明项目的起因、要解决的核心问题或业务目标。
你的角色与任务： 明确你在项目中的具体职责和承担的核心工作模块。
行动与方法： 简洁描述你采取的关键技术方案、模型选型、算法优化或工程实现路径。
量化成果： 这是重中之重！ 使用具体数据展示项目成效，证明你的工作价值。
量化成果的5种核心方法
避免使用“显著提升”、“明显优化”等模糊词汇。以下是五种有效的量化方式：
1. 绝对数据提升： 直接展示指标的具体变化值。
2. 百分比提升/降低： 体现改进的相对幅度，冲击力强。
3. 性能对比： 与基线、先前版本或业界标杆模型对比。
4. 规模与效率： 展示处理的数据量、节省的资源或支持的吞吐量。
5. 业务影响： 将技术指标转化为业务价值。
正向项目案例示例
示例一：模型优化与性能提升类项目
项目名称： 大语言模型推理速度优化与轻量化部署
背景： 为解决公司7B参数大模型API接口响应延迟高、计算资源占用大的问题，启动模型优化项目。
我的角色： 核心算法负责人，负责模型压缩、推理优化全链路。
行动： 主导实现了模型权重的动态稀疏化与W4A16量化方案；集成了FlashAttention-2并优化了KV Cache策略；使用TensorRT-LLM完成了推理引擎的部署适配。
量化成果： 在保持模型效果损失小于1%（在C-Eval基准上）的前提下，将模型单卡推理吞吐量提升3.5倍，P99延迟从850ms降低至220ms，服务所需GPU内存减少60%。该项目成功支撑了日均千万次的调用请求。
示例二：新模型/系统研发类项目
项目名称： 面向金融领域的专业领域大模型构建
背景： 为提升金融研报分析与风险问答的准确性，需构建一个具备深度金融知识的领域大模型。
我的角色： 项目主要成员，负责领域数据构建、监督微调与强化学习对齐。
行动： 构建了超过200万条（财报、研报、问答对）的高质量金融领域SFT数据集；设计了混合专家（MoE）训练策略以平衡通用与专业能力；应用DPO算法进行人类偏好对齐。
量化成果： 最终模型在内部构建的金融评测集上，各项任务平均得分超越通用基座模型35%，在金融风险识别任务上的准确率达到94.7%。模型已作为核心组件集成至公司智能投研平台，覆盖超过500名分析师。
错误示例对比
模糊描述：
• 负责公司大模型的训练与优化工作。
• 使用了最新的技术提升了模型效果。
• 取得了很好的业务反馈。
问题分析： 职责描述空泛，未体现个人具体工作；“最新技术”、“效果”、“很好”均为模糊词汇，无任何量化证据，无法评估其真实能力与贡献。
罗列技术栈而无成果：
• 项目使用了PyTorch、DeepSpeed、Hugging Face Transformers库。
• 我参与了数据清洗、模型训练和结果分析。
问题分析： 这更像是技术栈列表和日常工作清单，没有说明项目目标、你解决的具体问题以及最终达成的可衡量的结果。读者无法知道项目是否成功，以及你的工作在其中起到了多大作用。
总结：撰写大模型算法项目经历时，务必牢记“量化成果”是灵魂。通过具体的数字、百分比和对比，将你的技术能力转化为清晰、可信的价值证明，从而在众多候选人中脱颖而出。
项目经历量化助手
拆分目标、行动、成果，智能补充指标，自动排版为项目卡片。
大模型算法简历自我评价怎么写(高分模板)
对于竞争激烈的大模型算法岗位，简历中的“自我评价”或“个人总结”部分是展示你与岗位高度匹配、脱颖而出的关键窗口。一份高分的自我评价，应避免空泛的形容词堆砌，转而采用结构化、实例化的方式，精准传递你的技术能力、项目经验和职业特质。
一、高分自我评价的核心：3段式结构
一个逻辑清晰、内容充实的自我评价，推荐采用“总-分-总”的三段式结构：
第一段：定位与概述。 用1-2句话清晰定义你的专业身份、技术栈和核心方向，快速建立第一印象。
第二段：能力与经验详述。 这是核心段落。分点阐述你在模型预训练、微调、应用开发等关键环节的具体能力和项目成果，务必使用量化指标。
第三段：软素质与职业目标。 简要说明你的协作能力、问题解决风格，并表达与目标公司/团队的契合度及未来期望。
二、大模型算法岗应突出的个人特质
在撰写时，需针对性突出以下特质：
1. 深厚的技术根基： 不仅要提及熟悉Transformer、LLaMA、GPT等架构，更要体现对分布式训练、混合精度、显存优化等底层技术的掌握。
2. 全栈式项目经验： 从数据处理、模型训练（预训练/指令微调/RLHF）、评估到部署上线的完整闭环经验极具吸引力。
3. 强烈的业务导向： 强调将大模型技术应用于解决实际业务问题（如搜索、推荐、内容生成）的能力，并带来可衡量的提升。
4. 持续学习与探索精神： 大模型领域日新月异，主动跟进最新论文、参与开源项目或技术社区是重要加分项。
三、避免空洞表述：用STAR法则与量化结果
避免使用“精通”、“熟悉”、“能力强”等空洞词汇。取而代之的是：
错误做法： 使用模糊的形容词，缺乏证据支撑。
正确做法： 使用“技术名词 + 项目背景 + 行动 + 量化结果”的表述。
四、正向示例（不同风格）
专注于大语言模型的预训练与对齐技术。具备从零构建百亿参数模型预训练数据管道与训练框架的经验，深入理解模型缩放律。主导过基于人类反馈的强化学习（RLHF）项目，成功将模型在安全性与有用性评估中的通过率提升至行业前列。持续追踪ICLR、NeurIPS等顶会最新进展，并在相关开源社区有活跃贡献。期望在贵司的前沿研究团队中，推动大模型能力边界探索。
具备扎实的大模型算法落地全链路经验。擅长使用PyTorch、DeepSpeed进行大规模分布式训练与性能优化，曾将单机训练效率提升40%。主导过多个行业大模型的微调与部署项目，例如为金融客服场景微调的模型将问答准确率提升至95%并成功上线，日均处理请求超百万次。注重技术方案的工程鲁棒性与成本效益，善于跨团队协作推动项目交付。渴望加入贵司，将先进的大模型技术转化为稳定可靠的业务价值。
五、错误示例
本人学习能力强，对人工智能和大模型有浓厚兴趣。在校期间成绩优异，参与过多个AI项目。掌握了Python和深度学习相关知识。有团队精神，能承受工作压力。希望得到一个在大模型领域学习和成长的机会。
精通Transformer、BERT、GPT、LLaMA、ChatGLM等模型，熟悉PyTorch、TensorFlow框架，了解AIGC、LangChain、RAG、Agent等技术。做过文本分类、机器翻译、对话生成等项目。具备良好的沟通能力和代码能力，期待加入贵公司。
通过以上结构、要点和正反示例，你可以构建出一份重点突出、证据充分、与岗位高度匹配的自我评价，从而在简历筛选阶段就牢牢抓住面试官的眼球。
3 版自我评价秒生成
结合岗位亮点与优势，生成精炼、自信且具体的自我评价。
大模型算法简历教育背景与证书要求
教育背景是评估大模型算法工程师候选人技术根基与学习潜力的核心部分。招聘方不仅关注学历本身，更看重与岗位高度匹配的知识体系和持续学习的能力。
1. 学历层次：门槛与竞争力
大模型算法岗位技术密集度高，通常要求硕士及以上学历，博士学历在核心研发岗位中更具竞争力。顶尖公司或研究机构的岗位，普遍偏好国内外知名高校的毕业生。本科学历的候选人若拥有极其出色的项目经历、开源贡献或论文发表，也可能获得机会，但需要更强的证明。
2. 专业对口：核心知识体系
高度对口的专业是简历通过筛选的保障。计算机科学、软件工程、人工智能、数学、统计学等是直接相关的专业。若专业不完全对口（如物理学、电子信息），则必须在简历中清晰展示你通过课程、项目或自学所掌握的计算机核心课程和AI专业知识。
建议在简历中列出与岗位高度相关的核心课程，特别是研究生阶段的课程。
3. 相关证书与竞赛荣誉
虽然大模型领域更看重实际项目与论文，但一些高含金量的证书和竞赛成绩可以作为有力的补充证明，尤其是对于应届生或转行者。
可列出的证书与荣誉清单：
• 算法竞赛：ACM-ICPC、Kaggle竞赛（大师/Grandmaster头衔）、天池大赛、CCF相关比赛的名次。
• 技术认证：云厂商的AI/大数据认证（如AWS ML Specialty， Azure AI Engineer Associate）。
• 行业认证：对于特定领域（如NLP），一些专业协会的认证可能有帮助。
• 奖学金与荣誉：国家奖学金、校级优秀毕业生等，可证明学习能力。
4. 在线课程与培训经历
通过Coursera、edX、Udacity等平台学习的课程，是展示自主学习能力和填补知识短板的绝佳方式。撰写时需遵循“具体、有结果”的原则。
教育与认证自动排版
统一标题、日期与要点——默认适配 ATS。
大模型算法简历常见误区与避坑指南
大模型算法岗位竞争激烈，一份专业的简历是获得面试机会的敲门砖。许多优秀的候选人因简历撰写不当而错失良机。本章节将剖析该领域简历中常见的误区，并提供具体的避坑指南。
误区一：简历篇幅冗长或过于简略
大模型算法岗位涉及复杂的技术栈和项目经验，但简历并非越长越好，也切忌过于单薄。
误区二：格式排版混乱，可读性差
简历的“颜值”直接影响HR和面试官的阅读体验与第一印象。
误区三：技术重点不突出，像“岗位说明书”
仅仅罗列工作职责或项目名称，无法体现你的能力和价值。
误区四：与职位描述（JD）匹配度低
海投同一份简历给所有公司，是效率最低的做法。
误区五：技能描述笼统或堆砌术语
技能部分是面试官快速评估你技术栈的窗口，需要准确、诚实、有层次。
误区六：忽视基础信息与细节
细节决定成败，低级的格式或信息错误会直接导致简历被筛掉。
误区七：教育背景与项目经历主次不分
对于有经验的候选人，教育背景不应再占据最核心的篇幅。
避坑体检
检测格式/措辞误区，给出即时改写与排版建议。
大模型算法简历模板推荐与使用技巧
一、 大模型算法岗位的简历风格选择
对于大模型算法这类技术核心岗位，简历风格应首选专业、简约、内容导向型。招聘方（通常是技术负责人、研究员或HR）最关注的是你的技术实力、项目经验和研究成果，而非浮夸的设计。因此，简历应做到逻辑清晰、重点突出、信息密度高，确保技术细节和量化成果一目了然。过于花哨的创意型模板反而可能分散注意力，降低专业感。
二、 模板选择的三个核心原则
原则一：结构清晰，突出重点。 模板必须能清晰划分“教育背景”、“工作/实习经历”、“项目经历”、“专业技能”、“论文/专利”等模块。大模型相关的项目、实习经历和核心技术栈应处于版面的视觉中心。
原则二：为“技术叙事”留足空间。 大模型项目通常复杂，需要详细描述。选择的模板应有足够的篇幅让你阐述项目背景、个人职责、所用模型/技术（如Transformer、LoRA）、具体贡献及量化成果（如模型参数、指标提升、效率优化）。
原则三：兼容专业与可读性。 模板排版应利于阅读，字号、行距适中。可以适当使用细线、浅色块进行分区，但避免使用多栏、图表等过于复杂的布局，以免被ATS系统误读。
三、 ATS系统友好型简历要求
ATS（申请人跟踪系统）被许多公司用于初步筛选。为确保简历通过ATS：
1. 使用标准章节标题： 如“Work Experience”、“Education”、“Skills”，避免使用“My Journey”、“Academia”等个性化标题。
2. 关键词匹配： 仔细研究职位描述（JD），将其中提到的关键技术（如PyTorch, TensorFlow, LLM, NLP, CV, Diffusion Model等）、任务和技能自然地融入你的经历描述中。
3. 避免复杂格式： 切勿使用图片、图标、特殊符号来代表信息（如用进度条表示技能水平），ATS无法识别。文本内容必须可复制。
4. 使用通用字体： 选择宋体、黑体、Arial、Times New Roman等通用字体，确保在任何系统上都能正确显示。
四、 文件格式建议
强烈建议使用PDF格式提交。PDF能跨平台、跨设备保持格式不变，打印效果一致，且不易被篡改。务必确保PDF文件内的文字是可选的（非图片扫描件），以便ATS系统正确抓取。仅在招聘方明确要求时，才提交Word文档。
五、 具体模板与排版建议
推荐风格： 现代简约单栏或清晰双栏（左栏技能/教育，右栏经历/项目）。
适合人群： 应届硕士/博士、初级至高级算法工程师、研究员。
排版建议： 自上而下逻辑为：基础信息 > 教育背景 > 工作/实习经历 > 项目经历 > 专业技能 > 论文/专利/荣誉。项目经历采用“STAR”原则（情境、任务、行动、结果）描述，并加粗关键技术和量化成果。
色彩建议： 主色采用黑白灰，体现专业与严谨。可使用一种低饱和度的深蓝色或深绿色作为标题、姓名或分割线的点缀色，增加一丝层次感，但切忌大面积使用。
选择合适模板并套用
按行业与年限推荐模板，自动映射现有内容。
大模型算法简历优秀范文(完整示例)
一键套用范文
选择喜欢的范文，自动替换成你的经历与技能。
常见问题FAQ
Q: 大模型算法工程师的简历应该写多长？
建议控制在1-2页。对于应届生或工作经验少于5年的候选人，一页简历是黄金标准，务必做到精炼。资深研究员或工程师（如5-10年以上经验）可根据项目深度适当扩展至两页。
核心原则是“相关性”和“信息密度”。只保留与目标岗位最相关的项目、技能和经历，用具体的技术指标和成果来填充内容，避免冗长的描述性语言。
Q: 简历上需要放个人照片吗？
对于技术研发岗位，尤其是大模型算法方向，强烈不建议在简历中附加个人照片。在全球科技公司的招聘惯例中，这被视为不专业的行为，并可能引入无意识的偏见，影响招聘的公平性。
招聘方关注的是你的技术能力、项目经验和学术背景，而非外貌。请将宝贵的简历空间留给更重要的技术内容。
Q: 投递简历时，应该用什么格式？PDF还是Word？
务必使用PDF格式。PDF能保证你的简历在任何设备或操作系统上打开时，排版、字体和格式都保持原样，不会出现错乱。
Word文档（.docx）在不同版本的软件或系统中可能显示不一致，且存在被意外修改的风险。PDF是专业、可靠且通用的选择。
Q: 如何在大模型简历中突出自己的核心优势？
首先，在简历开头的“专业技能”或“摘要”部分，清晰列出你的技术栈，如：PyTorch/TensorFlow, Transformer, 预训练/微调技术，分布式训练框架，以及熟悉的特定模型（如LLaMA, GPT系列等）。
其次，在项目经历中，使用STAR原则（情境、任务、行动、结果）并量化成果。例如：“通过改进注意力机制和引入xxx技术，在xxx数据集上将模型准确率提升了3.5%”或“将模型推理速度优化了40%”。量化结果最具说服力。
Q: 如果有一段与算法无关的工作空白期，简历上该如何处理？
诚实但策略性地处理。如果空白期用于学习、个人项目或深造，可以将其作为一项“经历”写入。例如，可以设立一个“个人研究/学习”板块，说明在此期间你系统学习了Transformer架构、阅读了相关论文、或复现了某个知名模型，并附上GitHub链接。
关键在于展示你即使不在职场，也保持了技术敏感性和持续学习的能力，将空白期转化为积极成长的证明。
Q: 从其他行业（如传统软件开发）转岗大模型算法，简历该如何写？
核心策略是：挖掘并突出可迁移技能，并补充针对性的大模型项目经验。
在简历中，强调你扎实的编程基础（Python/C++）、软件工程能力、系统设计经验以及对数据结构和算法的深刻理解。同时，你必须通过自研项目、在线课程项目（如李沐的动手学深度学习）、Kaggle比赛或开源贡献，来构建与大模型直接相关的实践经历。将这些项目放在显眼位置，以证明你的转型决心和能力。
Q: 作为应届生，没有工业界大模型项目经验怎么办？
这是常见情况，招聘方对应届生的期望更多在于扎实的基础和潜力。你可以通过以下方式弥补：
1. 突出相关课程与学术项目：详细描述你在机器学习、深度学习、自然语言处理等课程中的大作业，特别是涉及模型实现、调优的部分。
2. 打造高质量的个人项目：从零实现一个模型模块（如GPT-2的Decoder）、对现有模型进行微调并解决一个具体任务、或参与相关的开源项目。在GitHub上维护良好的代码仓库。
3. 展示论文阅读与复现能力：可以在简历中列出你深入研读过的关键论文（如Attention Is All You Need），并尝试进行复现或提出简单的改进思路。
Q: 简历应该多久更新一次？
建议建立动态维护的习惯，而非临时抱佛脚。
1. 季度性更新：每完成一个重要的项目里程碑、学习了一项新技术、或发表了一篇论文后，及时更新简历。
2. 投递前针对性更新：在每次投递前，根据目标公司的职位描述（JD）调整简历关键词和项目侧重点，确保高度匹配。
3. 年度系统性回顾：即使不换工作，每年也应全面回顾并更新一次，梳理全年成长，为潜在机会做好准备。
Q: 简历中是否应该列出所有使用过的工具和库？
不需要，应遵循“精通”、“熟悉”、“了解”的分级原则进行筛选和归类。
将你真正有深入项目经验、能应对技术深问的核心技术（如PyTorch, Hugging Face Transformers, DeepSpeed）放在“精通”或“熟悉”类别。对于仅简单使用过或了解概念的，可以归为“了解”或酌情省略。列表应简洁、有层次，避免让招聘方难以抓住重点。
Q: 对于研究岗位，论文和专利在简历中如何呈现？
这是非常重要的加分项，应设立独立板块（如“学术发表”或“专利”）进行展示。
对于论文，按学术规范列出完整标题、作者（标注自己的位置）、会议/期刊名称（如NeurIPS, ACL, ICML）及年份。如果是顶会或顶刊，可以加粗。对于已录用但未发表的，可注明“已录用”。专利同样列出名称、编号、状态（如已授权/实质审查）和简要说明。这能直接证明你的研究创新和产出能力。