评测人才需求激增：从跑分工具人到能力分析师
进入2026年9月，大模型行业正经历一场由评测驱动的深刻变革。过去，业界对模型的评价高度依赖标准跑分榜单，如MMLU、HumanEval等基准测试，企业只需招聘算法工程师跑通测试代码即可。然而，随着开源模型在多个通用跑分上逼近甚至超越闭源模型，行业开始意识到：单一的跑分已不足以反映模型的真实能力。多家头部AI公司在本月发布的招聘需求中，新增了“模型评测专家”“AI能力分析师”等职位，薪资水平较去年同期上浮约15%至25%。这些岗位不再局限于编写评测脚本，而是要求候选人具备从业务场景出发设计评测维度的能力，比如针对代码生成、长文档理解、多轮对话一致性等垂直任务制定评测方案。一位参与招聘的团队负责人指出：“我们需要的是能解读跑分背后含义的人，而不是只会上传数据集跑结果的人。”
开源模型跑分逼近闭源：评测体系亟待重建
本月，多个开源大模型在C-Eval、CMMLU等中文基准测试中取得接近GPT-5o的成绩，部分模型在数学推理和代码生成子项上甚至领先。这一趋势直接催生了对评测体系重建的强烈需求，也带动了相关人才的招聘热潮。企业不再满足于传统评测集，转而探索对抗性测试、鲁棒性测试和人类偏好对齐测试等更复杂的评估方法。例如，一些公司开始招聘“评测对抗设计师”，专门负责构造边界案例来检验模型在复杂指令、敏感话题和长尾场景下的表现。同时，由于开源生态的繁荣，模型迭代速度加快，评测的时效性要求更高，催生了“自动化评测工程师”岗位，这类人才需要搭建持续集成/持续部署（CI/CD）评测流水线，能够在新模型发布后24小时内输出多维度的能力对比报告。招聘数据平台显示，9月前三周，“评测工程师”相关岗位的发布量环比增长了约40%，覆盖算法研发、测试开发和产品运营等多个方向。
能力对比驱动复合型人才：算法与产品融合成新标配
跑分乱战之下，企业愈发意识到，评测的最终目的是服务于产品落地和商业决策。因此，9月的人才市场出现了一个鲜明特征：单纯的算法背景已不够吃香，具备产品思维和业务洞察力的复合型评测人才成为抢手货。多家AI公司在招聘“评测产品经理”时，明确要求候选人能基于用户反馈设计评测指标，并推动模型迭代。例如，某智能助手应用团队招聘的“AI体验评测负责人”，职责包括搭建用户行为埋点系统、分析模型在不同场景下的生效率，以及将评测结果转化为可落地的优化建议。这类人才既需要理解Transformer架构和微调原理，又要能设计A/B测试实验，并能用通俗语言向非技术团队解释能力差距。一位资深招聘顾问透露：“现在市场上能同时写评测代码、建评估框架、出评测报告的候选人，年薪普遍超过80万元，但仍供不应求。”此外，评测领域的创业公司也开始涌现，它们专注于为中小企业提供定制化评测服务，这类团队在招聘时更青睐具备开源社区贡献经验或主导过大型评测竞赛的人才。
从跑分到信任：评测人才成为AI行业基础设施的关键角色
随着大模型应用渗透到金融、医疗、教育等高风险领域，评测不再只是技术部门的内部工具，而是构建用户信任和监管合规的基石。2026年9月，多部委联合发布的《大模型能力评估与认证办法》草案公开征求意见，其中明确要求模型发布方必须提供第三方评测报告，这直接刺激了评测人才的跨行业流动。不仅AI公司，传统咨询公司、审计机构和金融机构也纷纷设立大模型评测团队。例如，某国际四大会计师事务所之一在本月宣布组建专门的AI审计团队，招聘具有自然语言处理背景的评测专家，负责对客户使用的模型进行公正性、透明性和安全性评估。这种趋势下，评测人才的技能栈从算法扩展到法律合规、伦理审计和风险管理等领域。有高校开始调整课程设置，计划在2027年春季开设“大模型评测与治理”方向的研究生课程。行业观察人士认为，评测人才需求的爆发，标志着大模型行业从“追求跑分”转向“追求可信”，而这一转变将催生一个全新的职业赛道。