保研杂谈 | Samuel Hu’s Blog

type

status

date

slug

summary

category

icon

password

comment

！！！！！！！！！！！！！！！！！！！！！！！！

今年清华夏令营不发offer了，清华打响保研夏令营改革当头炮预计23全面改革，夏令营不发offer，预推免全进入强com阶段也就意味着，低rank只能本校兜底，外校机会少了很多！！！

！！！！！！！！！！！！！！！！！！！！！！！！

😀

一点个人对于升学/考研/保研/读博的浅知拙见，笨人真实的历程，适当参考吧，我就以我自己为例子给大家当个反面教材，在保研阶段无比焦虑的原因就是因为踩了坑 2025.5.6 写在前面的一些话：现在大家对于自己的出路或许无外乎以下几种：保研/考研/进厂/考公/出国/···，我想说这些出路都很好，主要是你选择不后悔就可以。我想说的是，一定不要把自己的路走窄了，就确定我一定不去哪里哪里，这也源于我自己从大一到现在的心路历程：对于大一和降转的一年，其实我是更偏向于就业向，就是想读硕士混个学历然后进厂，这两年给自己积累了一些不太成熟的项目，给后面的课程和竞赛打下了一些基础然后大二上的时候，感觉自己好像应该去卷卷绩点来保研，但是学了一段时间发现课上教的东西还不足以支撑我去读研，所以就开始了自学过程，最开始学的也是开发的基本内容，前后端都学了些皮毛，这个时候甚至我都不想做AI有关的内容，因此我选择了网络软件与智能方向；大二下开始，我选择打竞赛，这个时候有点病态地打竞赛，仗着自己手里有一些尚不够成熟但勉强有用的项目，只要是计算机类的竞赛就都报名参加，这个我后面再说竞赛，大二下学了一些现在看来对我基本没啥帮助的东西，白忙半学期，倒是竞赛收获不少。这里着重说一下数据库，我很感谢ysj(是的你没听错)，她确实磨练了我的心态，我现在保研阶段经历了6博士压力面、大导带两个小导压力面、小导带1个博士压力面，非常庆幸自己已经磨练出来了，所有面试全部都给老师留下了好印象，并且数据库也让我略微有点系统开发的知识，至少前后端之前学的东西有了作用了大三上的时候我关注到保研的交流群(绿裙【‘虑群’】)进去以后发现做传统cs和se的老师已经所剩无几了，目前只要是计算机行业就要和AI或多或少挂边，这个时候我才醒悟了，如果想未来继续深造，一定要了解想去的领域的前沿技术，因为我基础不太好只能去做应用了，如果基础够好做纯理论也是好选择(叠甲)！所以大三上开始恶补AI的知识，因为当时和学校的一个老师(打广告这老师人巨好，不仅经费大方，而且说话特别和蔼，主要是她真的不会嫌弃我菜┭┮﹏┭┮，有想跟着做科研/项目的可以戳我)做了一点关于大模型可解释性的东西，我发现自己对于科研有了兴趣，我觉着读论文的时候看大佬们写的东西真的会受益很多，虽然可能短时间应用到工业界略困难，但是理论先行嘛。而且科研的乐趣就是不断地调试，不断改进来超过baseline和SOTA，当你有了改进以后实际上论文就有了，而想idea的过程也很有意思，可能你看了100篇论文都没有好点子，但是吃饭或者旅游的时候脑子突然就蹦出来了一个idea，然后就酷酷做。现在到了大三下，保研也逐渐拉开帷幕，我也陷入焦虑，因为我是这个时候才产出的论文，对比其他大佬大二就已经有论文，我感觉我真的还很不足。我的第一篇论文产生就是自己写代码的时候发现deepseek很蠢，思考了很久，思考了很多，最后给了我一个不好使的代码，我就想为什么它花了那么多token但是结果这么差，于是就开始实验了，然后半年有了第一篇论文，虽然写的很稚嫩也有点技术含量不高，但是真的让我感受到了成就感，不枉我熬了二十多天晚上跑的结果。这个科研历程我会在另一个帖子更新。说回保研，这里我都加粗写，希望大家能看见：保研最主要的就是你的院校，这是最重要的，为什么这么说，复交夏令营卡同济卡10%，但是卡其他中9就是5%，这就是上海的优势；其次就是你的rank，这个不是纯绩点，而是排名，即使你绩点不到4但是排名是第一，一样可以去好学校；然后是科研，科研你有经历比没有强，有一段自己从头做到尾的经历比划水的强，有专利/软著产出比没产出强，有论文在投比专利/软著强，有论文录用比论文在投强，有A会/A刊论文一作录用基本弱com学校可以横着走。反正论文只要你说的清楚，并且一作，AB会/刊都属于是强加分项然后是算法类竞赛，这里指的是ACM/ICPC金银，这就是硬通货，可以和有论文视为一样的待遇，ACM/ICPC的金牌佬真的是哪都喜欢要，本菜鸡十分仙木最后就是其他竞赛，包括创新创业、数模、答辩类比赛等，这些竞赛收益甚微，除了本校保研的加分之外，基本可以视作没什么用处，本人就是例子！！！ PS：番外篇，本人竞赛统计了一下，校级+省级+国家级一共二十几个，但是保研陶瓷阶段没有一个老师因为这些比赛而对我感兴趣，而是对我的pre-print论文反复地在问和提建议，其他的保研同学同样如此，竞赛只有博士面试会问到，也只是问你对哪个竞赛印象最深，为什么？仅此而已，因此我就属于是走错了赛道如果你是就业开发向，那么本科出去直接就业或许是最好的选择，在本科期间刷算法、背八股、多写前后端等，比读硕士有点在于多了三年经验，这是硕士带不来的！如果你是就业算法向，那么本科除非你是手握2A论文的大佬，否则基本都属于是炮灰；硕士是入门门槛，并且顶会一定有一作产出，目前1A好像都不是很够算法岗了，所以算法岗读研基本是必须的，并且读研要找强导能带你产出多篇论文的！读博士你的可选择性更广，既可以走教职，也可以去工业界，而且待遇都很好，但是有风险就是博士能不能读下来。任何选择都没有好坏之分，只要你喜欢，并且你有passion，都是最好的道路！接下来如果你和大二时候的我一样迷茫，不知道走什么道路的话，那就看下去，希望对你有启发 2025.5.14 补档，还是有很多uu看到我的经历有启发，那我就达到目的了，今天补档一下，有关工业界和学术界的一些差别～

本人情况介绍

这里绩点和排名暂时就不放出来了，保研结束给大家看，如果好奇可以私聊我

绩点：xxx

排名：xxx

科研：

一段计算机视觉，国创项目识别汉字书法风格。产出专利一篇
一段计算机图形学，主要是用Stable Diffusion来进行图生图。产出专利一篇、软著一篇
一段代码大模型，有关推理模型与代码生成/代码重构的研究。产出论文一篇
一段AI4SE，有关异味代码数据集构建。无产出
一段强化学习在金融领域应用，校创项目。没产出

竞赛：

国家级奖项：5个(1个国一，1个国二，2个国三，1个特别奖)
省级奖项：10个
校级奖项：5个(纯校级奖项，如果进了省级比赛就是校级也获奖了)

个人信息：个人简介 | Samuel Hu’s Blog个人简介 | Samuel Hu’s Blog
个人简介 | Samuel Hu’s Blog
可用链接/about访问，不会在菜单栏显示
个人简介 | Samuel Hu’s Blog

个人简介 | Samuel Hu’s Blog

可用链接/about访问，不会在菜单栏显示

http://hjw-aihub.cn/about

我的规划

目前我主要研究方向就是LLM4code以及AI4SE，主要关注代码生成、代码翻译、以及代码生成过程消耗优化，如果你对我的研究方向有兴趣，可以和我联系，我非常欢迎志同道合的uu一起做有意思的事情

我是未来想要走教职，主要原因是我个人觉着，工业界开发岗转型成本太高，举个例子，你本科毕业以后做的都是测试，但是测试这个职位需求锐减，你想去后端了，怎么办，你的简历上写的都是测试岗位的内容那么HR会选择你这个工作3年的测试工程师还是选择一个1年工作的后端工程师，这个我不好说，可以打听一下。并且开发岗位技术迭代真的太快，你要与时俱进，但是与此同时人员迭代也很快，35岁危机我难保自己不会碰到。算法岗35岁危机相对不明显，但是目前算法岗学历有上升趋势，博士已然常见了，考虑到5 6年以后的就业形式，我选择读博找教职，找教职原因主要是我很喜欢做科研，我喜欢读论文，喜欢蹦出来idea做下去的感觉，并且教职转型几乎可以零成本，比如我之前做大模型，但是大模型行业下行，那么我可以换到比如多模态，找相关人士合作发论文以后，入门这一行，然后带学生做这个方向，很多老师也都是这么做的，这个过程几乎可以零成本。

当然我自己的见解可能片面，因此大家也谨慎参考即可

继续讲规划，目前LLM4code这个方向工业界学术界都在关注，并且代码生成真的很有意思，NL（自然语言）给到大模型，大模型理解需求给出代码这个过程真的很酷，如果LLM给出的代码我拿来就能跑而且还正确，质量还高，那岂不是省了很多人力物力？（感觉做这个做的好，是减少了未来很多开发者的岗位，有点不太地道）

所以我选择在这个方向深挖，博士阶段围绕代码生成质量提高以及效率提高来做，辅以大模型安全，大模型推理以及降低幻觉出现的工作，看起来有点多，不过我都很有兴趣，因此会坚持做下去的！

其他计划未来更新，敬请期待. . . . . .

如果你想保研去top学校。。。。。。

如果你现在正处于大二，或者大一，想去更好的学校，华五甚至于清北，那么可以参考如下内容：

暗广(bushi)：如果你对AI4SE/LLM4code/LLM4SE感兴趣，可以直接联系我，我将一对一给出一些建议和必要的学习的东西

提升绩点与专业排名

清北华五的计算机类项目在筛选保研生时，会直接划定“专业前5%”或“排名前两名”等硬性门槛。若当前排名不够理想，可通过选修与研究方向相关的高阶课程（如机器学习、分布式系统等）并在其中取得优异成绩，向导师展示学术潜力。
英语成绩六级500分以上或托福100+、雅思7.0+的成绩能显著提升竞争力.特别是对于清华叉院、北大信科等top级别院系，优秀的英语能力是必备内容。

科研经历

清北华五的导师更看重学生是否具备独立科研潜力和学术视野，因此从大二开始就要主动联系校内实验室，争取参与国家级科研项目或重点实验室课题。重点积累1-2段深度科研经历比多段浅层参与更有价值，过程中要注重培养文献综述、实验设计、论文写作等核心能力。如果能产出CCF-A/B类论文或顶会一作，将成为保研中的“杀手锏”。
大三或者大二下，对于一些学有余力的同学，可以提前联系目标院校的老师，提前去做RA来积累老师对你的好感度，如果老师觉着你很好，很努力，科研有热情有责任心，老师极有可能直接给你留下！这类经历不仅能获得大牛导师推荐信，还能提前建立学术人脉。需要特别注意的是，科研方向要与目标导师团队高度契合，例如对NLP感兴趣的同学应重点强化ACL/EMNLP相关研究经历，对AI4SE感兴趣则重点关注ASE/FSE/ICSE论文的产出

竞赛经历

优先选择与计算机学科强相关的权威赛事，例如ACM-ICPC、Kaggle竞赛、全国大学生数学建模竞赛（国一非常有用）
对于非算法类方向的同学，可转向垂直领域竞赛，如网络安全方向的CTF大赛、计算机视觉方向的CVPR挑战赛以及各种论文的竞赛赛道

前两点是重中之重，没有老师可以拒绝一个rank1+1A一作的学生！

关于工业界和学术界个人看法

差异

工业界与学术界在AI领域的核心差异体现在目标导向与研究模式上。工业界以解决实际问题、创造商业价值为核心，注重技术的落地效率与可扩展性。例如，企业更关注AI模型的工程化部署、成本控制及用户需求适配，研究周期短且需快速迭代（如自动驾驶的实时性优化）。而学术界以探索前沿理论、推动学科边界为目标，注重创新性与长期价值，研究自由度较高，成果常以论文形式呈现（如新型神经网络结构的提出）。此外，工业界依赖真实数据与大规模算力，而学术界常受限于资源，需依赖开源工具或简化实验场景。

联系

学术界的理论突破常为工业界提供技术基石，例如生成对抗网络（GAN）从论文到广泛应用于图像生成、数据增强等领域。反之，工业界的实际需求（如推荐系统的冷启动问题）驱动学术界研究方向，并提供数据与资源支持（如企业联合实验室）。人才流动与技术转化是另一纽带：学者通过企业合作验证理论实用性，工业界则通过学术会议吸纳前沿思想。例如，Transformer模型从学术论文到成为工业界NLP的基石，体现了产学研协同推动AI发展的核心逻辑。

但是工业界具有一定滞后性，就是学术界可能几年前提出的东西，工业界现在才能应用，这里我对于我研究的领域进行一下具体对比，不然可能有些抽象

代码大模型工业界与学术界差异

工业界：在代码大模型领域，工业界更关注模型的实用性和商业价值。他们会投入大量资源进行工程化实现，将模型部署到线上服务中，以满足大规模用户的响应速度和稳定性需求。同时，工业界通常会利用自身拥有的海量真实代码库和用户行为数据来进行模型训练和持续优化，以确保模型在实际场景中能够更准确地补全代码、发现缺陷或生成文档。这种以落地和收益为导向的开发模式，往往要求团队快速迭代，不断平衡模型性能与计算成本。 学术界：学术界则倾向于在基础理论和新方法上做深入探索。研究人员会关注模型架构创新、训练机制改进、学习理论以及解释性研究等核心课题，力求提出更高效、更具泛化能力的算法。学术界在数据来源上通常依赖公开代码库和竞赛数据集，并强调研究的可复现性和开源共享。由于不像工业界那样有严格的上线时间表，学术研究可以花更多时间打磨理论和实验细节，以推动领域整体的科学进步。 总结：工业界以应用和效益为重，讲究快速迭代和大规模工程化；学术界以探索和创新为先，注重理论深度和方法可复现。

代码大模型工业界与学术界联系

工业界：工业界团队在新模型发布后，常常会参考学术论文中的最新架构和训练方法，将它们融入自身产品中，并在此基础上进行大规模调优和系统集成。他们也会通过开源框架（如TensorFlow、PyTorch）和社区贡献，推动学术成果向工程实践的转化。 学术界：学术界则会关注工业界在实际应用中暴露出的痛点和需求，比如运行效率、隐私保护、跨语言适应性等问题。这些反馈促使学术研究更加贴近真实场景，开展更具针对性的优化和扩展研究。此外，部分高校实验室与企业合作，共建数据集和测试平台，实现了资源和成果的双向流动。 总结：工业界与学术界在代码大模型领域相辅相成——学术创新为工业应用提供方法论和技术基础，而工业实践则为学术研究指明方向并验证可行性，二者通过开源、合作和会议论文不断交织，形成健康的技术生态。

就业向同学的建议

如果你未来更倾向于进入企业从事软件开发或产品工程类岗位，攻读硕士学位通常是最优选择。硕士阶段应侧重于工程实践与项目经验的积累：选择有丰富行业合作或实习机会的院校和导师，参与真实企业项目、开源社区贡献、技术竞赛等，以提升简历竞争力与实战能力。在课程选择上，多偏重机器学习工程、系统架构、大数据处理等与行业需求紧密贴合的方向。除非你对某一细分领域（如深度学习算法优化或工业界前沿技术研发）有极强兴趣并愿意长期投入，否则不必过早考虑读博；大多数高薪岗位和技术负责人都更看重你在工程项目中的实际产出和领导力。

科研向同学的建议（本人方向）

如果你未来目标是在学术界或科研机构深耕基础理论与算法创新，那么读博是必经之路。但在此之前，可先通过攻读硕士打好理论与实验基础：在硕士期间积极申请科研课题，力争在顶会或核心期刊发表论文，培养独立思考与团队协作能力。选择具备强大科研实力、导师组论文产出丰硕的实验室，将有助于你快速进入国际学术圈。完成硕士后，若对研究方向已有清晰规划且具备扎实成果，则可以直接申请博士项目；若仍需通过更多课题积累与论文发表来明确研究兴趣，也可考虑边工作边发表、或先申请国内外优秀的联合培养项目，再转入博士阶段。经过系统的硕博训练，你才能在理论创新和科研项目中发挥最大潜力。

专业代码： 0812 计算机科学与技术 0835 软件工程 0839 网络空间安全 0854 电子信息（专业学位硕士）
首先，无论是否是计算机专业，学硕和专硕最直接的区别就是代码不同。硕士阶段学科代码的不同对于以后想进入各大互联网公司、私企和外企的同学来讲几乎没有影响，现阶段各公司对学硕和专硕的认可度已经十分相近了；但对于要考公和考编的同学来说就要认真考虑了，报考具有专业限制的岗位要求专业代码和专业名字要一模一样，具体的可查询国考专业限制目录，可以肯定的是，计算机和软件的专硕0854 电子信息是不具对口岗位的，只能报三不限岗位（指不限专业，不限学历（大专以上），不限户籍的岗位)，对应的竞争压力会大很多（中央部属高校有特殊招录途径进入体制内工作的院校除外)。

如果本科已经有比较好的科研基础，并且有相应的成果产出，那么本科直博也是可以的，优势就是省时间，直接跳过硕士阶段科研训练，劣势就是有一定可能会延毕。目前清华推免招生已经全面取消学术型硕士（学硕），只保留专硕和博士，也就是说白了就业向就是专硕，科研向就是直博，不存在学硕这一说，这也是目前一个趋势，26保研已经初见端倪，清华打响当头炮。