大模型算法工程师简历中的自我评价怎么优化？

大模型算法工程师的自我评价需体现微调效果、推理吞吐量、显存优化及业务应用。常见问题是写成“部署LLaMA”“做微调”等空泛描述。本文通过反面案例，教您用数据证明您的LLM价值。

案例一：只有部署没有效果

自我评价：负责大模型微调和部署，提升问答准确率。

问题点评：没有说明准确率提升幅度、推理吞吐量、显存占用、延迟等。

修改建议：2年大模型经验，基于LLaMA-7B进行LoRA微调，医疗问答准确率从68%升至86%。引入RAG知识增强，幻觉降低。部署后日均服务3000人次，准确率90%。

案例二：忽略推理优化与成本

自我评价：有多年大模型经验，能独立完成微调和部署，善于沟通。

问题点评：没有体现推理加速、量化、吞吐量提升等工程能力。

修改建议：3年大模型工程经验，使用vLLM优化推理，吞吐量提升3倍。模型量化至INT4，显存从28GB降至8GB，首Token延迟从2秒降至0.5秒。月均调用100万次，推理成本降低70%。

总结

大模型自我评价应围绕“准确率”“推理吞吐量”“显存占用”“延迟”展开。用微调、RAG、量化加速数据证明大模型工程能力。让大模型成为智能应用的引擎，成为您最好的名片。