每月的薪水是30,000元人民币，而文科友好的薪水?

劳动节，为工人举行庆祝活动；金钱是工人的标签。对于普通百姓而言，哪些新职业仍然有“掘金”的空间？ “金融世界”专门计划了“黄金工人”的特殊话题，并将注意力集中在五个新的专业团体上。通过他们的故事，已经显示了一些新的工作趋势观察。本文讲述了四名使用数据注释“稳定”大型模型的工程师的故事。他们将用户的需求与模型相结合，以使大型模型更聪明。 在2023年初，刚从研究生院毕业的中国出现了大型语言模型，他认为AI趋势是不可抗拒的，并且是生活中最重要的选择。 他决心成为ISUI，为主要的互联网制造商提供OCR（图片和文本识别）工程师，并加入多模式的大型型号启动作为及时的单词工程师。他的任务是训练AI使其变得更聪明，并继续改善他的A与人交谈的能力。 作为大型模型的明智基础，AI和用户的交互功能以及如何制作数据，直接确定大型模型的上限。 DeepSeek的性能过高和惊人的表现背后是更强的语义理解能力和高质量数据的支持。该行业进一步据报道，Liang Wenfeng亲自参加了数据标签工作。 吉利亚招聘数据表明，今年2月，算法工程师，机器研究，深入研究和其他职位的招聘数量在今年中有了显着增加。其中，标有“ AI培训”的数据的头寸同比增长超过50％，平均每月工资也超过20,000元。 “金融界”指出，最近许多大型公司为“ AI培训师”提供了高薪。例如，BONTEDANCE提供AI培训帖子每月SA20,000至40,000元和15元的lary;小舒还提供AI培训帖子的每月薪水为20,000至40,000元和16元。 “拥有良好的产品意识和理解模型培训”是这些职位的基本要求，这使许多求职者更加兴奋，因为大型工厂中的许多职位也非常友好，这也非常友好，并且可以以各种专业背景进入该行业。 “ AI培训师”行业中的冰雹有多高？他们在行业中的前景和价值将持续多长时间，持续了AI技术的高速复发？ “金融世界”找到了各种行业和年龄的四个“ AI培训师”，对数据注释具有乐观或焦虑的想法。 01。一百万的年薪并不少见 “就像练习猫去捕捉鼠标一样，您需要继续尝试模型的机制。” 5月1日之前的两天，位于北北部北京的Wudaokou的办公室，Wan Yulei描述了他们经历的直接词与大型模型之间早期碰撞的“金融世界”。 他认为，左右，快速单词和大型模型之间的邦宁加仍然充满了“神秘”。 Wan Yulei的团队试图通过“情感动机”来提高模型的表现。 “给大型型号的奖励提示”或让工程师播放个性化设置，例如“残疾程序员”，可以提高模型输出质量。 通过启动了1次阶序序列的DeepSeek-Rang模型，并指示了经过思考的技术的指示，刺激学习技术可以快速下降。用简单的“法术”喂养大型模型的方法逐渐失败，工程的快速词也加深了数据自动化。 “我们现在使用母亲的提示（初步定义，可重复使用的单词概述）来生成数千个候选说明，并过滤Opti通过自动评估系统的mal解决方案。 “ Wan Yulei介绍了。 他认为，基于变压器架构的技术革命的大型模型将完全降低传统AI领域的知识系统。我之所以选择将变化作为及时的单词工程师接受：“由于直接词是新世界的摇滚步骤，因此它以最低的成本将普通人暴露于大型模型的基本能力。” Wan Yulei指出，许多顶级公司实际上正在争夺年度数百万美元的薪金的措辞专家，对数据策略的需求加剧了。据他说，字节对来自各个领域的招聘NG医生研究感到崎rug，以帮助他们修复数据。 Xiaohongshu试图建立一个“艺术 +代码”的跨学科才能团队，以更好地解决图形和文本生成的美学瓶颈。 在由Wan Yulei主持的7人团队中，五个数据AnnOtators所有新的本科毕业生，并且需要大量的语义注释才能完成。其他两个提示工程师应具有相同的代码功能和跨学科视图。然而，他认为，继续为在AI中培训的人继续学习的能力是主要门槛。 Technics需要每月继续溶解领先的期刊文书工作，而这种高压环境也可以提供出生。在周一的论文研讨会上，Wan Yulei将要求团队成员决定最新的技术模型报告，并相互讨论。 “在上周的采访中，我们担心候选人是否第一次经历了新版本的克劳德3版。” 与设计父母提示的单词提示相比，评估系统的数字化成为了新的工作重点。 “分析标准的表述比编写快速单词更为重要，这也决定了EV系统的解决。” “例如，我们团队开发的自动评估系统包含30多个指标：从答案到相关，中立到情感连贯性，每个量表的重量都是适合业务情况的变化。”目前，他在Koponan上的70％的工作专注于对审查模型的审查，只有30％的工作放在了该词的直接一代。 尤其是当大型模型成为商业时，大量垂直模型使促销词更加需要。 “用户对B端的需求非常明确，用户的数据有效，并且即时单词将更加清晰。” Wan Yulei制作了垂直模型，例如电力运营和城市管理。在特定的电网AI项目中，另一方提供了数百万个故障样本和对工作条件的准确描述，这也提高了直接单词的设计效率。 与之形成鲜明对比的是设计C-End产品时的混乱。面对数亿用户的奇怪问题，Wan Yulei曾经对用户需求的“过度差异”感到生气。 “ C-End中用户的场景尚不清楚，您不知道他想要什么。这种直接词很难做到。”他微笑着说。 尽管工程师的工程师总是必须处理无聊的数据，但随着模型的功能的出现，Wan Yulei有时会感到惊讶。特别是，Deepseek的“ AHA时刻”爆炸了，深深地欣赏他。 在DeepSeek的角色中，该模型允许该场景“见证增强研究的力量和美丽”。当形成DeepSeek-R1-Zero的中间版本时，该模型学会了反映人类语气并意识到训练数据中完全缺少的内容。 “我们在技术史上正在经历'混乱时代'。” Wan Yulei使用Kwentor“三体问题”来比较当前行业的当前：当大型模型时每月摧毁一个技术里程碑，传统的职业规划失去其含义，只有通过发展“终身研究”的能力，我们才能保持竞争力。 02。行业要求工程师成为产品经理 2022年11月，当Chatgpt出生时，Zhang Yuanchen仍在为研究生测试做准备。 在2023年初，专栏作家与新的Bing（基于GPT-4模型的Microsoft的AI搜索引擎）进行了一些对话，并且出乎意料地发现，新的Bing不仅表达了情绪，而且还表达了PUA甚至受到威胁的人，并且似乎具有“自我自我自我意识”。张Yuanchen感到惊讶。 “在第一个timeaon中，我确实感到了潜在的AI拟人化潜力，甚至有落在学校外面并加入AI行业的想法。” 很快，张Yuanchen通过实习进入了AI领域，他的第一份工作是使用包裹的单词来实现劳动。例如，基于t生成阅读评论他的书名以及用户输入的单词数量。首先，它也意识到张Yuanchen在提高模型的质量中起着重要的作用。 “尤其是当模型能力较弱时，及时的单词工程与模型培训同样重要。完整的结构化及时词属于基本财产，可以在线出售。” Zhang Yuanchen认为在一家大型工厂躺下并在一家大型工厂躺下后，将其瞄准他的求职目标。但是，当将时间设置为2025年，在对Byte和Alibaba和其他公司的采访中，张Yuanchen发现，每年对主要工厂中迅速工程师的需求发生变化。 “在2023年，大型制造商将选择直接招募一些AI产品经理进行相关的探索，而不是对积极的词语进行过多关注。在2024年初，特殊单词工程师出现了，大型行业行业开始分裂工作。” 到2025年，DeepSeek将允许普通用户通过自然语言播放AI。 “大型公司还宁愿考虑将直接能力作为职位的基本技能，例如产品经理和Halip独立职位的研发。”它还意识到张Yuanchen，即直接的单词工程师正在转向一般技能，并且可以逐渐“消失”，并且他们的责任将被其他职位所吸引。 基于自己和周围的情况，张Yuanchen做出了粗暴的判断，即2024年，在元人之间，每月在从业人员那里的大型工厂的薪水高达1到3年。 但是他还说，应该合理地看待直接词工程师的高薪标签和高等教育。简单的书面及时词不能再发展出长期的障碍。提示文字工程师的级别取决于它是否可以直接满足问题的本质并确定模型的输出值。 “迅速单词工程师的工作不仅是一种直接的单词写作方法，而且是对用户需求，跨域储备以及使用模型特征现代化解决方案的能力的见解。”张Yuanchen说。 他认为，促使文字工程师的工作已经移动了，开发的道路更有可能借给AI产品经理，理解用户需求并拆卸工作流程，这与产品经理的基本能力相符。 面对新领域的直接言语的需求，张Yuanchen说没有标准的研究过程，但更多地依赖于实际验证。 钦佩他的是在2024年上半年，当时他参加了一本AI小说，他不得不写小说是许多链接的小说，例如主题，轮廓，轮廓和文字。每个链接中的快速单词都应抽象地和以上文本中生成的内容（例如标题和标题和写作风格要求）以确保上下文相互关联。 尽管这很简单，但实际处理过程中存在连续的困难，例如模型输出格式错误，模型崩溃（单个字符的重复输出）和截断（如果未完成，则完成了内容）。 为了仅解决格式问题，张Yuanchen尝试了20多个模型。他还发现，即使DeepSeek可以稳定输出格式，但它不支持中国在线文学的风格。最后，他使用过程段（例如，将近2,000个单词的10节经文划分为10章的诺贝拉）降低了模型的压力处理。 张Yuanchen在直接单词的设计经常充满了许多不确定性之后结束，“有效地确定AI的工作流比直接单词本身的设计更有用。”它还被允许加深他的职业生涯计划，朝着AI产品经理的方向发展：Y成为一种工具，处理用户疾病点并设计真正解决问题的产品是主要竞争。” 03。高离职率和明显的差异 在2020年，Yu Hong不希望他站在AI浪潮的交叉口几年，并重新想象他的职业意义。作为金融行业数据的分析师，Yu Hong深深地参与了投资银行和KCONTURTING的数量审查领域，但他在重复AI技术时感到不间断的危机。 “ Chatgpt最初甚至不太擅长编写主要的爬行者，现在它可以处理完整的机器学习项目。我的80％的工作可以用AI代替。” Yu Hong承认，这种焦虑促使他探索了转型的道路，而招聘网站上过多的“ AI培训师”职位引起了他的注意。 最初，“ AI培训师”等主要制造商的要求不仅具有领先的教育，而且还具有但也有CFA证书（特许财务分析师）。这使Yu Hong错误地认为这是一个复合的技术立场，并将其深入融合到金融业务中。但是，从许多资源中询问，纳塔古洪（Natagyu Hong）说，即时培训单词的本质是“数据注释”，几乎与财务知识无关。 “即使是著名大学的毕业生，他们也只能根据机器的政策得分，并且没有主观判断的余地。”尽管许多实际从事这个职位的实际实际上是来自牛津和剑桥等领先的大学，但令他感到惊讶。 可以说，由于大型公司的组合，数据标签帖子吸引了许多求职者。特别是它的主要工资超过10,000元，它也面临着招募文科专业的招募，这有时被认为是“生命的领导者”。 Yu Hong说，许多公司都在建立自己的标签ING团队，但以这个行业的离职率而进行了高度重复工作。 “许多大型工厂都有外包职位，许多人的心理差距过多，他们在工作一两个月后会离开。” 在该行业的技术冲击和冲击的双重压力下，Yu Hong开始重新评估他的职业生涯。他亲自经历了从“基本帮助”到“威胁替代者”的AI工具：早期使用Chatgpt时，Yu Hong使用信息来完成他的工作，并享受了“获得鱼工资”的少量奖励时间。 但是，随着DeepSeek的上升，对开放资源工具的老板的接受已经增加，而劳动力成本的压缩是不可避免的。 “当AI可能能够团结起来完成数据清洁，审查和恢复报告时，我的角色只会是进餐和误差。” 在技​​术的洪流中，Yu Hong试图找到一个新的锚点。他承认他认为在AI算法领域转身，但他与高级工程师的对话不鼓励。在考虑了这一点之后，Yu Hong最终决定返回他的学术道路，并计划在计算社会科学领域攻读医生的头衔，以研究大型语言，社会科学和财务分析的大型模型的交叉应用。 “未来的机会可能会在技术与业务之间的整合点，例如提高AI解析在线话语和财务经文的能力。” 目前，他的工作仍在与爬行者和情感识别模型进行交谈。 Yu Hong的Poetryd对于AI技术的未来，表现出了矛盾的思想。他计划在欧洲寻求医生的头衔，并寻找工作签证，并将努力在学术领域蓬勃发展。 与Hong类似，在数据标记职位的Wang Chen也遇到了工作场所中的焦虑，作为“ AI数据工作者”。 2022年，Wang Chen加入了一场活动Ent Company并将自己任命为身体的智能研发数据。 王·陈（Wang Chen）说，当前的AI培训师的专业阈值已经进行了合格的跳跃。人才需求扩大了现场，工资梯度也显示了结构性的差异。医疗和法律等专业领域的AI培训师的年薪可以达到200,000元人民币，比去年的薪水高30％以上。 “但是，医学领域标记的立场需要实践医师的资格，成像项目需要医疗硕士的背景，以及与专业审美练习者的审美设计相关的位置。” 同时，高薪是一个更大的挑战。王·陈（Wang Chen）宣布，一家大型工厂在半年内烧毁了500万元的特定项目，以标记预算，但在完成后立即拆除了团队。 “ t他的不确定性还迫使从业者发展主要竞争。”每次采访新来者，Wang Chen都建议新移民选择垂直轨道，以加深他们的努力，将数据视为了解基本的AI逻辑的入口，并逐渐扩展到流程链接，以便他从未完全考虑过AI Sig afeed Threpeed the Apeeph ofe prose ofers proce。 （Wang Chen和Yu Hong是文章中的假名） 金融的官方帐户 24小时广播滚动滚动最新的财务和视频信息，并扫描QR码以供更多粉丝遵循（Sinafinance）