AI 编程能力让传统代码面试的筛选信号失效，工程师招聘的评价重心正从手写代码转向驾驭 AI 的判断力。

• 影响代码题筛出的能力与岗位表现的相关性在下降，技术招聘的评估工具需要重做；新人能用 AI 原型快速证明价值，年轻与资深工程师的竞争方式在改变；62% 的组织仍禁 AI，各公司招聘口径短期会继续分化。
• 参考可考虑用内部工程团队实测现有面试题被主流模型解出的程度，再决定保留或更换；值得在评估中加入原型作品集、发现并修复 AI 错误等维度，或参考 Canva 把题目改得更接近真实开发场景。

两家大模型公司的招聘分野，实质是算力储备差距投射到用人策略上的结果，选人逻辑由资源约束而非单纯品味决定。

• 影响搭建 AI 团队时，选人标准需要与自身算力和业务节奏匹配；算力受限时招即战力更省隐性成本，算力充裕才谈得上养长周期新人；有大厂模型训练背景的人才溢价正在缩水。
• 参考可考虑先算清自家可用算力与项目交付节奏，再决定倾向竞赛型新人还是成熟工程师；值得在面试中引入模型作弊识别、大规模实验经历这类实操题，替代单纯的履历筛选。

AI前沿优化人才稀缺到一名17岁研究员的去向就能牵动大厂和VC，个人议价能力与其底层技术积累深度直接挂钩。

• 影响前沿内核与算法岗位的薪酬锚点被抬到百万美元量级；核心技术会沉淀在模型和代码里，人员流失不等于能力清零；低龄、非传统学历背景的人才也可能直接进入行业核心圈。
• 参考可考虑盘点核心技术模块对个别人员的单点依赖，评估关键内核与算法是否有文档化沉淀；值得用市场传闻的薪酬量级重估自家前沿算法岗位的对标口径。

截图热传的实质是竞争叙事之争，DeepSeek展示了不靠刷榜和投放、靠算法创新与人才密度取胜的路径。

• 影响榜单排名与融资估值、营销预算挂钩的行业打法价值被稀释；企业选型时榜单分数与实际场景表现的差距需要单独核算；智谱转向云端API服务、Kimi收缩营销转投研发，企业的合作与采购选项随之变化。
• 参考可考虑在模型选型时把公开榜单分数与自有业务场景实测分开算账，避免单一榜单驱动采购；值得对照文中组织方式，盘点内部汇报与跨部门对齐占用的研发时间。

疑似内部截图难以核实，文章的实质判断是国内大模型竞争正从榜单工程转向算法架构与人才密度的比拼。

• 影响模型选型中榜单分数的参考价值可能下降，自有任务实测的权重值得提高；国内头部厂商投入方向分化，智谱转向企业API服务，Kimi收缩营销回归底层研发。
• 参考选型时可考虑用自身业务场景复测模型表现，而非只参照DeepSWE等榜单成绩；值得留意智谱与月之暗面的商业策略调整，评估对既有API合作的影响。

Kimi留住了技术却没留住人，非典型研究人才的留存取决于真实问题、算力、贡献归属和长期选择空间，而非招聘门槛。

• 影响AI顶尖研究人才的竞争已延伸到无学历门槛的非典型背景；技术成果留在公司，但后续迭代能力随人流动；先看上限再看岗位的招聘逻辑，需要配套更高的交流密度和试错空间。
• 参考可考虑盘点核心研究岗位的人员依赖度和成果归属文档；值得检查给关键贡献者的算力支持、问题真实性与职业路径设计，再决定是否为非典型人才设独立通道。

非典型人才可以破格引进并快速产出，但留不留得住取决于组织能否持续提供真实问题和长期空间，而非入职时的破格本身。

• 影响破格用人有机会在一年内让技术沉淀进核心模型架构；这类人才流动快，关键贡献者离职后可能流向海外团队；标准化汇报线和传统晋升路径难以容纳他们。
• 参考可考虑对照真实问题、算力、贡献归属和长期选择空间几项，盘点自家关键年轻人才的留存条件；值得在破格招聘前先设计好非标准路径的晋升与期权安排。