Mev：用 A100 训练 45 分钟，打造简历匹配 AI
One A100, 45 minutes of training, a 0.4B model. Ranking score matches a 4B model…
提供了具体的性能数据对比与 Token 优化技巧，结构清晰，对同类开发者有直接参考价值。
One A100, 45 minutes of training, a 0.4B model. Ranking score matches a 4B model.
一块 A100，训练 45 分钟，一个 0.4B 模型。排名得分相当于一个 4B 模型。
@zhilinjerrywag builds hiring AI. A week after Jev came out, his team took the same idea and put it to work on resume matching, in one day.
@zhilinjerrywag 正在构建用于招聘的 AI。Jev 发布一周后，他的团队将同样的想法付诸实践，用一天时间实现了简历匹配功能。
You give the model a JD and a profile. It doesn't write a paragraph of commentary. One forward pass returns two probabilities: should this person be recommended, and which of five match levels they land in.
你给模型输入职位描述（JD）和个人档案。它不会写一段评论文字。一次前向传播返回两个概率：是否应该推荐此人，以及该人属于五个匹配等级中的哪一个。
The model is called Mev. 0.4B params, built on the open-source Laya, fully fine-tuned on about 10k JD-profile pairs. On 1,200 held-out pairs the model never saw, it gets a within-JD Spearman of 0.733. Kev-4B, the open-source Jev-style model, gets 0.730.
该模型名为 Mev。拥有 0.4B 参数，基于开源 Laya 构建，在约 1 万对 JD-档案对上进行了全量微调。在 1,200 个从未见过的保留测试对上，其 JD 内 Spearman 相关系数为 0.733。Kev-4B（开源的 Jev 风格模型）得分为 0.730。
Jev zero-shot gets 0.818, 8 points above Mev. The author puts that number in the post himself and says the comparison isn't fair to Jev: Mev was trained on their labels, Jev never saw them.
Jev 的零样本得分达到 0.818，比 Mev 高出 8 个百分点。作者自己在帖子中给出了这个数字，并表示与 Jev 的比较并不公平：Mev 是在他们的标签上训练的，而 Jev 从未见过这些标签。
The part I want you to read is the four lessons at the end. A structured profile JSON runs about 4,000 tokens. They convert it to plain resume-style text at 870 tokens and still keep 98.6% of the facts that matter for the score. Truncating the raw JSON to 1,024 tokens keeps only 53.4%.
我想让你阅读的是结尾处的四条经验教训。结构化的个人档案 JSON 大约占用 4,000 个 token。他们将其转换为普通的简历风格文本，仅占 870 个 token，但仍保留了评分所需重要事实的 98.6%。如果将原始 JSON 截断至 1,024 个 token，则只能保留 53.4%。
If you're using an LLM to score, rank or classify things, this is a cheap experiment worth copying.
如果你正在使用大语言模型（LLM）对事物进行打分、排序或分类，这是一个成本低廉且值得复制的实验。
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力