它在做什么，决定了它招谁
把这轮校园招聘的岗位清单摊开，MiniMax 的定位会被写得很直白。国内做基础大模型和多模态应用的第一梯队之一，业务覆盖文本、语音、图像到视频生成。看上去是"什么都做"，实际上它的能力都收拢在一条主线上——把模型本身做出来，再让模型落到自己的产品里去。
这个定位的直接后果是：它的招聘重心不在产品运营和商业拓展，而在模型训练、推理优化、基础设施这三块。138 个岗位里，能数得出的一大批都是大模型训练框架、AI Infra、存储平台、K8S、资源调度、可观测平台这类名字。这些岗位的名字听起来离算法很远，但它们决定了模型能不能在有限算力里跑得更快。
一句话概括它的用人逻辑：它要的是能进核心链路的人，而不是能写文档的人。
未来两年，需求会往哪里走
从岗位结构能看出一个趋势：这家公司正在从"把模型做出来"往"把模型跑便宜、跑稳"过渡。大模型团队的竞争早就不是谁参数更多，而是同样的卡、同样的电，谁训得更快、谁推理更省。
所以接下来会持续缺两类人。一类是懂分布式训练和推理加速的工程人才，另一类是能把 Agent、多模态这些新形态做成可交付产品的人。反过来，纯做标注、纯做运营、纯做界面这类岗位的需求会相对收紧。
推断留点余地：这只是从它今年的岗位分布推出来的方向，行业变化快，两年后不一定完全沿着这条路走。
它的面试在考什么
从公开面经能拼出一个大概的轮廓。流程一般是简历筛选、部分岗位的线上笔试，然后两到三轮技术面，再一轮主管或交叉面，最后 HR 面。单场大概五十到五十五分钟，自我介绍和项目深挖会占掉前面十五到二十分钟。
考的东西分三层。第一层是基础：Transformer 结构细节、位置编码、注意力机制差异、分布式训练方案、LoRA 原理这一类。第二层是工程：IO 多路复用、TCP 分层、内存错误排查、GPU 指标观测、有状态服务的部署方案。第三层是判断力：主管面更爱问"现阶段做 Agent 最重要的是什么"，这一问没有标准答案，看的是你能不能从评测体系和奖励模型定义这类角度切入。
一个很实在的提醒：面经里反复出现同一句话——即使把题刷穿了，项目经验不够扎实、讲不出踩坑和方案取舍，也很容易在二面三面被刷。他们追问的不是"你做了什么功能"，而是"为什么这么选、效果怎么量化"。
应届生该怎么准备才能对上
第一件事是把一个项目讲到能扛住十五分钟追问。准备三个层次：你解决了什么问题、中间试过什么错路、最后用什么指标证明变好了。
第二件事是补上工程视角。算法岗也不能只懂原理，得知道工业落地会遇到什么坑。
第三件事是有选择地刷题。难度大概在中等偏难区间，矩阵操作、滑动窗口、有序数组这类是常见考点，但别把全部时间压在刷题上。
第四件事是准备反问。可以问组内的业务方向、Base 地安排，也可以问面试官怎么看待模型层和工具层的分工。这类问题能省下很多"这家公司到底在做什么"的摸索时间。
薪资这件事怎么看
公开的样本里，硕士口径的总包大致落在三十多万到近六十万的区间，跨度很大。这个跨度本身就是信息：它说明定薪跟岗位稀缺度、跟你能不能被放进核心链路高度绑定，而不是跟学历整齐挂钩。
所以谈薪时更该问清楚的是岗位归属和负责模块，而不是一上来纠结数字高低。同一个职级差出十几万，往往是因为一个在核心训练链路，一个在做支撑工具。
一个前瞻判断
大模型行业每隔一年就会重新排一次队。能活下来的公司，未必是参数最大的，但一定是工程效率最高的那一批。MiniMax 这轮校招的岗位结构，正好反映了它把宝押在了效率上。
对应届生来说，这意味着一个机会和一个代价：你会被更快地推上真正的工程问题，也会被更快地检验出能力边界。如果你想要一份能慢慢熟悉节奏的工作，这里可能不太合适；如果你想在两年内把工程能力拉到另一个量级，这轮校招值得认真准备。