Die Absolventen renommierter Universitäten mit null Offers während der Herbst-Campusrekrutierung im Bereich großer Sprachmodelle

„Du denkst zu positiv. Ich habe seit Juli vorbereitet, aber bis heute kein einziges Angebot bekommen“, antwortete Ximu, ein frischer Absolvent von zwei aufeinanderfolgenden 211-Universitäten, etwas niedergeschlagen, als er nach den Ergebnissen der diesjährigen Herbst-Einstellungsrunde gefragt wurde.

Er hat Praktika bei führenden Halbleiterunternehmen und Internetfirmen absolviert, und die Praktikumsplätze standen meist im Zusammenhang mit der Großmodell-Inferenz und der Optimierung von Trainingsframeworks. Da er keine Einladungen zu Vorstellungsgesprächen für Agent-Positionen erhielt, gab er die Agent-Entwicklung mit niedrigeren Zugangshürden kurzerhand auf, um seine Wettbewerbsfähigkeit bei der Herbst-Einstellung zu steigern, und wechselte zum Trainings-Infra, das höhere technische Hürden erfordert und den praktischen Zugriff auf GPU-Cluster voraussetzt.

Einmal hätte er fast ein Angebot von ByteDance bekommen: Er erreichte die vierte Runde des Vorstellungsgesprächs, danach gab es aber keine Rückmeldung mehr. Im September stellte er fest, dass die Situation noch schlechter wurde, und die Chancen auf Vorstellungsgespräche sanken.

Er ist nicht der Einzige, der in diese Situation geraten ist. Letztes Jahr hat fast niemand in seinem Graduiertenlabor ein Praktikum bei einem großen Technologiekonzern bekommen, aber nach dem Abschluss fanden alle schließlich eine Anstellung. Dieses Jahr hat jeder im Labor ein Praktikum, manche haben sogar drei Praktika gesammelt. Doch nach Ximus Beobachtung hat bis Oktober noch niemand ein formelles Stellenangebot erhalten.

Ein Student mit Bachelor-Abschluss an einer der fünf besten Universitäten Chinas und direktem Promotionsstudium an einer der beiden Top-Universitäten des Landes, der bereits Praxiserfahrung im Bereich Basismodelle hat, hat an Vorstellungsgesprächen von Modellteams wie Seed, Tencent Hunyuan und Alibaba teilgenommen, wartet aber immer noch auf ein klares Ergebnis.

Ein anderer Master-Student mit fünf A-Klassen-Publikationen als Erstautor oder gemeinsamer Erstautor und mehr als 600 kumulativen Zitationen seiner Arbeiten hat seit Juli Bewerbungen für die Talentprogramme verschiedener Großmodell-Unternehmen eingereicht. Die allermeisten Bewerbungsverfahren blieben nach dem ersten Vorstellungsgespräch stecken und es gab keine weitere Rückmeldung.

Die jungen Menschen, um die Modellfirmen in den letzten zwei Jahren heftig gewetteifert haben, sind plötzlich bei der Herbst-Einstellungsrunde 2026 nicht mehr so begehrt.

Ein Personalvermittler, der seit langem KI-native Unternehmen betreut, erzählte uns, dass viele Modellfirmen letztes Jahr noch ihre Teams aufbauten und nach Mitarbeitern suchten, die ein bestimmtes Fachgebiet vorantreiben konnten. Da die Teams dieses Jahr bereits aufgebaut sind, brauchen sie keine frischen Absolventen mit ähnlichen Fähigkeiten mehr. Mit anderen Worten: Sie hoffen, dass die neu eingestellten Mitarbeiter Probleme lösen können, die das bestehende Team noch nicht gelöst hat.

Die Einstellungsstruktur von ByteDance ist sehr repräsentativ. Das Unternehmen plante für das ByteIntern-Programm im Frühjahr 2026 die Einstellung von mehr als 7000 Mitarbeitern, davon über 4800 in der Entwicklungsabteilung. Gleichzeitig startete Seed am 1. April separat ein globales Sonder-Talentprogramm für etwa 100 Personen. Für die Seed-Einstellungen der Jahrgangsstufe 2027 gibt es kein separates Top-Seed-Programm mehr, und auch für andere Einstellungen von Spitzenkräften im Bereich der Spitzentechnologie wird kein separates Jindouyun-Talentprogramm mehr angeboten.

Der Wind hat sich gedreht, und die frischen Absolventen in dieser Situation erleben keinen „warmen Winter“.

01

Großmodell-Unternehmen brauchen keine weiteren Mitarbeiter mit den gleichen Fähigkeiten

Jing Jing studiert an der Fudan-Universität. Ende 2025, als er sich mit der Forschung an Post-Trainingsalgorithmen befasste, erhielt er gleichzeitig drei gute Praktikumsangebote: eine Stelle als Agent-Ingenieur bei einem großen Internetkonzern und einem führenden Hersteller von Basismodellen, sowie eine Stelle als Entwicklungsingenieur für Basismodelle bei einem anderen großen Internetkonzern.

Die Wahl zwischen den drei Angeboten fiel ihm nicht schwer. In der Großmodell-Branche existiert seit langem eine ungeschriebene Rangfolge der technischen Positionen: Das Vortraining steht dem Ursprung der Modellfähigkeiten am nächsten, gefolgt vom Post-Training, und darunter liegen Anwendungs- und Entwicklungsarbeiten.

Obwohl diese Rangfolge nicht unbedingt den tatsächlichen technischen Beitrag widerspiegelt, bedeutet der Eintritt in ein Basismodell-Team für Studenten, die in die Spitzenforschung und -entwicklung einsteigen wollen, oft bessere Ressourcen, einen größeren Trainingsumfang und breitere berufliche Wahlmöglichkeiten.

Er entschied sich ohne zu zögern für die Stelle als Entwicklungsingenieur für Basismodelle. Doch nach seinem Einstieg unterschied sich die tatsächliche Erfahrung stark von seinen Vorstellungen.

In der ersten Woche nach seinem Einstieg bestand seine Hauptaufgabe darin, sich mit der Dokumentation vertraut zu machen und die Umgebung zu konfigurieren. Danach hatte er lange Zeit nur Aufgaben wie Code-Wartung, Tests und Recherchen zu erledigen. Nach fast drei Monaten hatte er kaum praktische Ergebnisse vorzuweisen. Erst im April kam er offiziell mit Arbeiten im Zusammenhang mit Vortraining und Post-Training in Kontakt, bekam Ressourcen zugewiesen und baute einen Trainingsworkflow auf. Nachdem der Workflow fertiggestellt war, bestand seine Aufgabe wieder darin, den stabilen Betrieb des Systems aufrechtzuerhalten.

Im August wurde ihm mitgeteilt, dass er nicht fest angestellt werden kann. Seine Bewerbung bei der Herbst-Einstellung verzögerte sich, und bis heute hat er kein einziges Angebot.

Jing Jings Schicksal mag persönliche Gründe haben, weist aber auch auf ein leicht zu übersehendes Problem hin: Der Eintritt in ein Basismodell-Team ist nicht dasselbe wie die tatsächliche Beteiligung an der Entwicklung des Kernmodells.

Früher bauten Modellfirmen ihre Teams von Grund auf auf und brauchten viele Forscher und Ingenieure, um grundlegende Arbeiten wie Trainingsframeworks, Datenverarbeitung und experimentelle Abläufe zu erledigen. Ein Praktikum im Bereich Basismodelle bedeutete damals, an wichtigen Entwicklungsaufgaben mitwirken zu können. Als sich das Modell-Trainingssystem allmählich ausreifte, begannen die Arbeiten zu schichten. Einige wenige Kernforscher bestimmen die Trainingsstrategie und den technischen Weg, Ingenieure sind für die Entwicklung und Optimierung verschiedener Module zuständig, und mehr Arbeit besteht darin, das bereits laufende System zu warten.

Ein Personalvermittler nutzte das Videomodell als Beispiel. Im Jahr 2026 hat Seedance bereits die technische Kompetenz von ByteDance im Bereich der Videogenerierung unter Beweis gestellt. Aber eine Abteilung, die bereits ein ausgereiftes Entwicklerteam hat und phasenweise technische Durchbrüche erzielt hat, braucht nicht unbedingt viele frische Absolventen mit ähnlicher Erfahrung zu hohen Prämien einzustellen.

„Ein Team, das weltweit bereits die beste Technologie entwickelt hat, wird kein hohes Geld ausgeben, um Mitarbeiter einzustellen, die keinen zusätzlichen Nutzen für das Unternehmen bringen“, sagte dieser Personalvermittler.

Es gibt noch eine tiefere Einschränkung: die Rechenleistung. Für einige Spitzen-Modellteams liegt der aktuelle Engpass eher an der Rechenleistung als an der Anzahl der Entwicklungsmitarbeiter.

Ein frischer Absolvent, der dieses Jahr bei einem führenden Modellhersteller eingetreten ist und im Bereich Trainings-Infra arbeitet, erklärte: Bei der Großmodell-Training kann man nicht die Anzahl der Ingenieure verdoppeln, um gleichzeitig die Anzahl der Experimente zu verdoppeln. Wenn der Umfang des GPU-Clusters, die Planung der Experimente und die Trainingsressourcen bereits an ihre Grenzen stoßen, können mehr Forscher die Modellentwicklung nicht unbedingt im gleichen Verhältnis beschleunigen.

Die Knappheit an Rechenleistung kann wiederum den Wert von Fachkräften für die Optimierung von Trainingssystemen, paralleles Rechnen und Effizienz von Algorithmen erhöhen, und weist auch auf eine Personalwirtschaft hin, die sich von der der traditionellen Internetbranche unterscheidet. Die Modellfirmen haben bereits Mitarbeiter und ein ausgereiftes Trainingssystem, sodass der zusätzliche Entwicklungsfortschritt, der durch weitere Einstellungen erzielt werden kann, zu einem Problem wird, das sorgfältig berechnet werden muss.

An den führenden ausländischen Modellfirmen hat sich bereits eine Veränderung der Personalstruktur gezeigt. Am 16. Oktober veröffentlichte Anthropic eine Studie über die Veränderung seiner eigenen Beschäftigungsstruktur. Anfang 2025 machten Nachwuchstechniker 27 % der Neueinstellungen in der technischen Abteilung des Unternehmens aus, bis 2026 sank dieser Anteil auf 9 %.

Im Januar dieses Jahres begann Anthropic intern über den sinkenden Bedarf an Nachwuchstechnikern zu diskutieren. Da Claude mehr Aufgaben wie Code-Erstellung und Debugging erledigen kann, senkten einige Teams die Priorität bei der Einstellung von Nachwuchsingenieuren. Der Bericht zeigt, dass bis April etwa ein Drittel der Manager im Bereich maschinelles Lernen und ein Fünftel der Manager im Bereich Softwareentwicklung angaben, dass KI sie dazu veranlasst hat, weniger Mitarbeiter einzustellen.

Es ist bemerkenswert, dass das technische Team von Anthropic immer noch expandiert und die absolute Anzahl der Einstellungen nicht aufhört zu wachsen. Was sich ändert, ist die Position von Mitarbeitern mit unterschiedlicher Berufserfahrung und Fähigkeiten im Einstellungsverfahren. Das Wachstum von Spitzen-Technologieunternehmen im Silicon Valley wie Anthropic hört allmählich auf, die Produktivität vollständig durch die Erhöhung der Mitarbeiterzahl zu steigern.

02

Die Richtung ändert sich zu schnell, auch Erfahrung kann an Wert verlieren

Die Veränderung der Einstellungsplätze bei Modellfirmen ist noch nicht alles. Die Unbeständigkeit der technischen Trends macht es frischen Absolventen noch schwerer, sich anzupassen.

Ximu wählte das Trainings-Infra genau, um dieser Veränderung aus dem Weg zu gehen.

Anfangs arbeitete er auch im Bereich Agent. Als er im März nach Praktika suchte, bewarb er sich hauptsächlich um Stellen im Zusammenhang mit Agent. Doch bald erkannte er, dass die Agent-Entwicklung ein Problem hat: Die Zugangshürden werden immer niedriger.

Seinem Verständnis nach braucht ein Student nur einen Computer, um Agent-Entwicklungserfahrung zu sammeln, Modelle aufzurufen, Tools zu verbinden und eigene Projekte zu erstellen. Im Vergleich dazu erfordert das Trainings-Infra echte GPU-Ressourcen und groß angelegte Systempraxis, die normale Studenten an der Universität kaum unter gleichen Bedingungen erwerben können.

Das Labor, in dem er studiert, verfügt zufällig über einen GPU-Cluster, der es ihm ermöglicht, einige Arbeiten zur Optimierung von Trainingssystemen durchzuführen. Also beschloss er, zum Infra-Bereich zu wechseln.

Diese Strategie half ihm tatsächlich, einige Konkurrenten auszuschließen, brachte ihn aber auch in ein „Kolosseum“, in dem sich mehr Experten versammeln.

Während seines Praktikums in der Infra-Abteilung eines großen Technologiekonzerns stellte er fest, dass unter den jungen festangestellten Mitarbeitern ein Hintergrund von zwei Elite-Universitäten des Projekts 985 sehr verbreitet ist, und es auch viele Master- und Doktoranden von Spitzenuniversitäten gibt. Im Vergleich zu diesen Personen hat sein Universitätsabschluss keine Vorteile, und der Trainingsumfang, zu dem er Zugang hat, ist nicht groß genug.

Noch peinlicher ist, dass einige kleinere Modell-Trainingsteams seine Erfahrung als nicht ausreichend passend zu ihren tatsächlichen Geschäftsabläufen empfinden.

Ximu erzählte von einem Vorstellungsgespräch bei einem Team für autonome Fahrmodelle. Das Team trainierte hauptsächlich Modelle mit einem Umfang von etwa einer Milliarde Parametern, während die Trainingssysteme, mit denen er zuvor in Kontakt kam, viel größer waren. Infolgedessen half ihm diese Erfahrung, die er ursprünglich als Vorteil ansah, nicht, die Stelle zu bekommen. Die Antwort des Unternehmens lautete: „Der Trainingsumfang, auf den sich dein Praktikum bezieht, ist größer als unserer, also passt deine Erfahrung nicht zu uns.“

Er fürchtet, dass er schließlich in eine Situation geraten könnte, in der er für zu anspruchsvolle Stellen überqualifiziert und für zu einfache Stellen unterqualifiziert ist.

Ein Bereich mit höheren technischen Hürden filtert zwar normale Bewerber aus, bedeutet aber auch, dass die verbleibenden Konkurrenten oft stärker sind.

Ähnliche Veränderungen finden auch im Bereich des Multimodal-Bereichs statt.

In diesem Jahr werden die Videogenerierungsmodelle ständig verbessert, und der technische Wert von Multimodal wird immer wieder bestätigt. Dies scheint sich aber nicht direkt in Beschäftigungsmöglichkeiten für frische Absolventen während der Herbst-Einstellungsrunde umzuwandeln.

Das Gefühl der Fehlpassung ist weit verbreitet. Einige haben ursprünglich auf die Videomodell-Gruppe großer Konzerne gezielt, und später ihre Ziele auf 3D-Generierung, Weltmodelle oder Unternehmen für embodied Intelligence verlegt.

Ein Personalvermittler bestätigte, dass er auch Bewerber getroffen hat, die von einem Multimodal-Hintergrund zu embodied Intelligence gewechselt sind. Der Grund ist einfach: Die Stellen für Weltmodelle, 3D-Generierung und embodied Intelligence haben einen gemeinsamen Bedarf an Fähigkeiten wie visueller Verarbeitung, räumlicher Repräsentation und Videoprognose. Es entstehen ständig neue Unternehmen für embodied Intelligence, und neue Teams brauchen Talente aus benachbarten Bereichen aufzunehmen.

Aber die neue Nachfrage bedeutet nicht, dass es immer hohe Prämien geben wird.

Nach Beobachtung dieses Personalvermittlers eilten einige Unternehmen für embodied Intelligence im Frühjahr dieses Jahres noch damit, ihre Entwicklerteams zu vervollständigen. Im Herbst sind die Einstellungsanforderungen bereits konkreter geworden: Die Unternehmen brauchen nicht mehr nur Mitarbeiter, die mit Multimodal oder 3D-Generierung vertraut sind, sondern Bewerber, die Probleme der nächsten Phase lösen können.

Der Wechsel von einem beliebten Bereich zu einem anderen garantiert nicht, dass man dauerhaft hohe Gehaltsprämien bekommt.

Diese Gruppe von frischen Absolventen folgt jedoch immer noch einer Regel: Sie wollen in die Spitzen-Basismodell-Teams gehen, um Basismodelle zu trainieren. Die Basismodell-Teams werden in erste Linie, fast erste Linie und zweite/dritte Linie unterteilt, und die erste Linie der Basismodelle gilt als „Ticket für das Ende der Welt“.

„Das Großmodell ist ein Spiel, bei dem der Gewinner alles bekommt. Wenn du nicht in ein erstklassiges Modellteam kommst, läuft dein berufliches Spiel nicht mehr“, erzählte Xie Xin uns. Das Grausamste an der Herbst-Einstellung ist der Prozess, in dem man mit solchen Vorstellungen und Maßstäben beginnt, aber gezwungen ist, seine Erwartungen schrittweise anzupassen.

Letztes Jahr hatte ihr älterer Kommilitone noch die Möglichkeit, am Kern-Training teilzunehmen. Dieses Jahr hat Xie Xin es geschafft, ihr Praktikum in eine Festanstellung umzuwandeln, aber nur durch extremen Einsatz. Wochenendarbeit ist normal, wenn ein Experiment fehlschlägt, muss sie mehr Zeit aufwenden, um Fehler zu beheben, selbst wenn sie 95 % ihrer Zeit mit Datenreinigung verbringt und zweifelt, dass ihre Arbeit keinen Sinn hat.