能無限進步的「超級智能體」來了！最近，Meta研究團隊的一篇題為HYPERAGENTS（超級智能體）的論文迅速刷屏。這篇論文將LSTM之父Jürgen Schmidhuber二十年前提出的哥德爾機（Gödel Machine）思想，與達爾文開放演算法相結合，提出了能持續自我迭代的達爾文哥德爾機。基於此這一思想，Agent不僅能更好地完成具體任務、持續提高自身表現。更關鍵的是，它可以不斷最佳化“改進自身”的底層邏輯，實現“元學習（Meta-learning）”這，便是論文定義的新一代超級智能體——Hyperagents。論文更進一步提出：未來AI有望通過持續自我迭代，最終突破人類預設的初始演算法邊界，也正因如此，AI安全必須被擺在核心位置。不少網友也感慨道：元學習真正讓人既害怕又興奮的，是元層面的改進能夠跨領域遷移。這不是在某一件事上變得更厲害，而是學會了在一切事情上變得更厲害。目前，這篇論文已被ICLR 2026接收。從哥德爾機到達爾文哥德爾機要理解超級智能體Hyperagents，必須先瞭解它的基石——哥德爾機（Gödel Machine）。哥德爾機是一種假設性的自我完善型AI。它在數學上尋求證明：如果存在某種更好的策略，它會通過遞迴重寫自身程式碼來解決問題。而這一假設，最早由尤爾根·施密德胡伯（Jürgen Schmidhuber）在二十多年前提出。在傳統機器學習中，AI的“學習方法”是人類預設的硬編碼，它只能通過調整內部參數來逼近目標；而哥德爾機則打破了這一限制，它能夠將演算法框架本身視為可編輯的程式碼，通過自主重寫程序來實現學習能力的自我演進。但問題也隨之而來：哥德爾機往往要求AI在自我演進之前，證明該改動具備淨收益。也就是說，改程式碼花掉的算力成本，未來能不能通過更強的性能賺回來？不幸的是，這種計算在現實中的複雜任務中幾乎是無法實現的。針對這一問題，Meta團隊提出達爾文哥德爾機（DGM），它利用開放式演算法（Open-ended algorithms），通過在大模型提議的程式碼改進方案中進行搜尋，獲取能從經驗上提升性能的方案。換句話說，DGM利用基礎模型來提議程式碼改進方案，並利用開放式演算法的最新創新成果，來搜尋並建構一個不斷增長的、多樣化且高品質的AI智能體庫。基於此，DGM能創造出各種自我改進方案，例如：增加補丁驗證（Patch Validation）步驟、最佳化檔案查看功能、增強編輯工具、生成並篩選多個解決方案以選出最優解，以及在進行新更改時，會自動加入歷史嘗試記錄（並分析失敗原因）以供參考。論文的實驗還表明，DGM獲得的算力越多，自我提升效果越好。超級智能體雖然DGM很強，但它存在一個致命限制：它主要在程式設計任務中有效。這是因為DGM依賴一個關鍵假設——評估任務與自我修改任務必須“對齊”。在程式設計領域，這種對齊是天然的：提升了程式設計能力，自然也就提升了修改自身程式碼的能力。也就是說，解決外部程式設計問題的邏輯工具，可以直接轉化為修改其自身底層程式碼的能力。相反，如果是在非程式設計領域（如寫詩），即便提升了寫詩能力，也無法直接轉化為修改程式碼的邏輯水平。在這種缺乏“自指性（Self-referentiality）”的任務中，DGM的遞迴進化鏈條就會斷裂，陷入停滯。基於此，文章提出超級智能體——它們既能修改自己的任務執行行為，也能修改生成未來改進建議的過程。這實現了所謂的元認知自我修改（metacognitive self-modification）：不僅學習如何做得更好，還學習如何更有效地進行改進。進一步，論文將超級智能體實例化為DGM-Hyperagents (DGM-H)。DGM-H是對DGM的擴展，其中任務解決行為和自我改處理程序序都是可編輯且可進化的，其框架如下：自指性架構：它將“任務智能體（Task Agent）”與“元智能體（Meta Agent）”整合為一個單一的、可編輯的程序。元級進化：在Hyperagents中，“改進的方法”本身也是可以被改進的。這使得系統不再要求任務與修改必須對齊，從而實現了跨領域的“元認知自我修改”。打個比方，在Hyperagents中，運動員不僅在訓練，教練也在學習如何更好地執教。由此，運動員的表現和教練的執教水平不斷螺旋上升。此外，DGM-H還改進了生成新智能體的過程（例如引入持久化記憶、性能追蹤等），且這些元級改進具有跨領域遷移和跨運行累積的特性。實驗驗證：從20%到50%的跨越實驗證明，達爾文哥德爾機（Darwin Gödel Machine）能夠通過修改自身程式碼庫實現持續的自我提升。在SWE-bench上，DGM自動將其性能從20.0%提升至50.0%。在Polyglot上，DGM的性能從初始的14.2%躍升至30.7%，遠超由Aider開發的具有代表性的人工設計智能體。這些結果證明了DGM能發現並實施有效的自我改進。而實現這一點的關鍵在於其開放式進化搜尋策略：通過從現有智能體庫中採樣生成新智能體，DGM能夠平行探索多條進化路徑。性能稍遜的“祖先”智能體在發現新方法和功能方面起關鍵作用，避免了早熟收斂。此外，DGM的改進具有廣泛的遷移性：針對Claude 3.5 Sonnet最佳化的智能體，在切換到o3-mini或Claude 3.7 Sonnet時仍能提升性能。在Polyglot基準中，Python任務上的自我改進同樣提升了Rust、C++、Go等不同語言任務的表現。 (量子位)

他曾經是中科院博士、清華博士後、百度實習生，他建立的公司MiniMax在3月10日的市值是3826億港元，超過百度的3322億港元，也就是說，百度實習生建立的公司市值超過了百度，這個時間是4年。此前，為了創業，他損失了一大筆錢，失去了更早實現財務自由的機會，他就是那個有勇氣的創業者。他是河南商丘走出來的優秀學子、企業家閆俊傑。曾在百度實習7個月MiniMax是幹啥的？MiniMax，全稱上海稀宇科技有限公司，又名稀宇科技，專注於通用人工智慧（AGI）研發，堅持全模態技術路線，同時研發文字、語音、圖像和視訊模型。公司創始人閆俊傑是獅子座，1989年出生於河南商丘。爸爸是初中老師，媽媽是公務員。閆俊傑受爸爸的影響，很小就開始超前學習，而且自學能力比較強，他就是典型的“別人家的孩子”。2006年，閆俊傑考入東南大學數學學院，後來又考入中科院自動化研究所碩博連讀，還在清華讀了博士後。2014年，25歲的閆俊傑曾在百度深度學習研究院實習7個月，獲評優秀實習生。這一年，還有一位牛人達里歐· 阿莫代伊也到百度上班，他後來也是億萬富豪，此處按下不表，後面專門聊。百度研究院留給閆俊傑的是美好回憶，他說百度有國內最大的GPU叢集，環境非常好。既然自學能力強嘛，當然就要把百度資源用好用足，閆俊傑當時用了百度三分之一的GPU來做實驗，他在當時就懂了人工智慧有多厲害。百度出來之後，他又去了商湯科技做實習生。為什麼他一直在做實習生？因為在這期間，他一直在讀博。2015年，閆俊傑博士畢業於中國科學院自動化所模式識別國家重點實驗室，並在清華大學電腦系從事博士後研究，在深度學習和電腦視覺領域發表不少學術論文。▲閆俊傑（左一）以商湯科技研究院副院長的身份去美國鹽湖城參加了全球電腦視覺頂級會議IEEE CVPR 2018。讀博士期間，閆俊傑加入商湯科技，從實習生一路做起，曾任商湯集團副總裁、研究院副院長和智慧城市事業群CTO。他打造了通用電腦視覺模型、深度學習工具鏈、智慧城市和人臉識別相關的技術體系。放棄提前實現財富自由博士都讀完了，收入也挺高，閆俊傑本來可以正常上班，坐等財富自由，因為他在商湯是有股權激勵的，等公司上市就好了。然而，一次聊天改變了他的人生，2021年春節，閆俊傑和外公聊天。外公說想寫一本回憶錄，記錄80年的人生經歷，可惜不會打字，也無法很好地組織語言來寫。閆俊傑大受震撼，決定幫幫外公，自己懂那麼多技術，懂那麼多模型，但好像對普通人沒啥用，他想讓AI賦能每個人。會用AI，那麼寫回憶錄就是小菜一碟。他決定創業，這意味著要損失一大筆錢。為什麼？2021年8月，商湯科技向港交所遞交了上市招股書，只要再等幾個月，身為商湯高層的他就財富自由了。但他還是放棄部分股權激勵辭職了，這是真的敢賭。2021年，MimiMax創立，這一年，閆俊傑32歲。後面當然就是各種融資，產品迭代。MiniMax自2022年成立以來共完成7輪融資，累計融資超15億美元（約115億人民幣），是中國AI領域融資速度最快的公司之一 。明勢創投、阿里巴巴、高瓴、米哈游都有參與，阿里巴巴是投資金額最大的股東。MiniMax的商業模式是C端+B端雙輪驅動，超70%收入來自海外C端使用者付費，客戶集中度極低。C端的產品：海螺AI以動畫創作和電影級運鏡見長，在二次元群體中口碑極高，曾連續6個月位居全球視訊生成產品第一。▲海螺AI生成的視訊Talkie/星野使用者日均使用時長超70分鐘，接近TikTok水平。B端產品與服務主要有：MiniMax開放平台：提供API呼叫服務，支援M2.5、Speech-02、Hailuo-02等全系列模型。行業解決方案：針對金融、法律、教育等行業提供深度定製化AI解決方案。而且，MiniMax的成本控制方面做得比較好，是業內算力晶片租期最短、租金最低的公司，堅持"晶片兩年一迭代，必須用最新晶片訓練"的理念。截至2025年9月，MiniMax的個人使用者超過2.12億，覆蓋200+國家和地區。企業客戶超過13萬家，覆蓋100+國家和地區。這是一個驚人的數字。截至2025年9月30日，MiniMax團隊共有385人，員工的平均年齡僅29歲，董事會成員的平均年齡也只有32歲。▲圖源：看看新聞這是一個充滿活力的團隊。創業四年後，MiniMax於今年1月16日在港交所主機板掛牌上市，上市時的發行價為165港元/股，公開發售部分獲得1837倍超額認購，上市首日即大漲109%。此後股價持續攀升，1月27日突破1500億港元市值，2月13日突破2000億港元，至蛇年收官日市值已逼近2800億港元。其最新股價（3月11日）已經大漲到1141港元左右，市值3578億港元。百度實習生做的公司，市值超過了百度，只花了四年。而百度是創立於2000年1月1日的著名網際網路公司。百度前員工阿莫代伊也很牛但不是只有閆俊傑同學這麼牛，還有一個百度前員工，一個老外也很牛。前面說過，2014年達里歐·阿莫代伊加入百度開展AI擴展定律研究，這人到底有多牛？▲達里歐·阿莫代伊看看他的履歷：阿莫代伊從史丹佛大學博士後畢業後，於2014年11月加入百度，擔任研究員，工作地點是在矽谷。他當時加入的是百度矽谷人工智慧實驗室（SVAIL），該實驗室由吳恩達領導，成立於2014年5月，專門招募全球頂尖AI人才。他在百度的工作時間不到一年（約2014年11月至2015年），主要參與Deep Speech 2語音識別項目。值得注意的是，阿莫代伊在百度矽谷實驗室工作期間，已經非正式地發現了後來被稱為Scaling Law（規模化法則/縮放定律）的現象——即給模型提供更多資料和算力，模型性能就會提升。這一發現後來成為大模型發展的底層邏輯，但遺憾的是當時並未引起足夠重視。這也是閆俊傑曾經公開表示過的一個遺憾。2015年，阿莫代伊離開百度加入Google，2016年又加入OpenAI，並主導GPT-2、GPT-3開發，這個技術含金量不用我囉嗦了吧，世界頂流。2021年，他創立Anthropic（Claude的母公司），總部位於舊金山，當時約有15名OpenAI前核心員工集體出走加入這家公司。▲Anthropic介面公司定位為"AI安全與對齊"領域的先驅，致力於建構可靠、可解釋和可控制的AI系統，是OpenAI的主要競爭對手之一。Anthropic的核心產品是Claude對話AI助手，以安全性、長文字處理能力和程式設計能力著稱。客戶之一是美國國防部。2025年7月，Anthropic與美國國防部簽署2億美元合同，成為首家將AI部署至國防部機密網路（涉密系統）的實驗室。Claude是唯一被批准接入美國國防部機密系統（JWICS）的AI模型，在處理敏感情報方面具有獨特地位。但是，如今Anthropic和美國國防部吵得不可開交。2026年1月，美軍在抓捕委內瑞拉總統馬杜洛的行動中使用Claude，Anthropic對此表示不滿並詢問合作夥伴Pala，引發國防部擔憂。國防部隨即發佈備忘錄，要求軍用AI適用於"任何合法用途"，摒棄"空想理想主義"。Anthropic公開表態：拒絕將Claude用於大規模監控和完全自主武器。談判破裂後，國防部宣佈將Anthropic列為"供應鏈風險"企業；川普下令所有聯邦機構立即停用Anthropic技術，Anthropic正式起訴美國國防部，指控其濫用"供應鏈風險"標籤。總之，亂成一鍋粥。但是，公司能被美國國防部看上，拿下訂單，以及公開對壘，是需要實力的。Anthropic公司員工人數從2022年的192人增至2025年的1,097人，增長471%，公司營收在2025年是90億美元—100億美元，如果上市也是一個巨無霸。而阿莫代伊也是百度前員工！仔細搜尋資料一綜合，百度也算是中國AI圈最大的“黃埔軍校”了，除了阿莫代伊、閆俊傑，還有小馬智行的彭軍、樓天城，地平線的余凱、禾多科技的倪凱，文遠知行陳世熹、韓旭都是百度出來的。這些人見了李彥宏，其實都應該叫他一聲“校長”，這也算是百度對AI圈的特殊貢獻之一。來，大家一起喊“校長好”，哈哈哈。 (功夫財經)

剛上大一，就進特斯拉實習了。進入特斯拉實習，是很多大學應屆生的夢想。最近有一位小哥提前圓夢，他剛剛迎來大學第一個暑假，就拿到了特斯拉的實習offer，加入特斯拉現在最核心的Robotaxi團隊。細扒之後會發現，類似的案例在馬斯克名下的公司並不罕見，這體現了馬斯克“不拘一格降人才”的風格。馬斯克的這種招人理念，也開始被其他大廠借鑑。高中畢業第二年，進特斯拉實習特斯拉Robotaxi軟體團隊最近來了一名暑假實習生：伊森·麥克坎納（Ethan McKanna）。這條消息已吸引了數十萬人圍觀。一個實習生入職為什麼能有這麼高的熱度？一切還得先從麥克坎納這個人說起。麥克坎納是一名自動駕駛愛好者，去年還在上高中，目前在德克薩斯農工大學電腦專業學習。公開資料顯示，德克薩斯農工大學在全美公立高校中排名第六，距離麥克坎納的家鄉奧斯汀也就2個小時的車程。奧斯汀正是特斯拉總部所在地，也是特斯拉最早上線Robotaxi服務的城市。據麥克坎納介紹，特斯拉在他老家部署Robotaxi後，他出於好奇想瞭解Robotaxi車隊進展，於是開發了一個網站：「Robotaxi追蹤器」。Robotaxi追蹤器彙總了公開資料，包括車輛登記資訊、車牌號、車輛所在地地圖和交管局事故等。AI會利用這些資料，結合社交平台的目擊資訊分析，最終得出當地的車隊情況。這讓每個人都能通過網頁看到特斯拉、Waymo和Zoox等自動駕駛公司在不同地區的車隊情況。以特斯拉為例，追蹤器顯示特斯拉目前已經部署了近400輛Robotaxi，其中只有8輛是無人駕駛（UNSUPERVISED），有89輛部署在了奧斯汀，當地打特斯拉Robotaxi預計需要等15分鐘。可以看到追蹤器傳送的資訊很全面，更新頻率也很高，所以很快成為了權威資料來源，連《紐約時報》等知名媒體也引用該追蹤器的資料。麥克坎納也因此一炮而紅，從而在大一獲得了前往特斯拉實習的機會。馬斯克招賢納士，確實不拘一格。英雄馬斯克，招人不問出處馬斯克招人，向來英雄不問出處。比如特斯拉如今負責FSD的副總裁Ashok Elluswamy，他在加入特斯拉Autopilot團隊前，不過是大眾集團電子實驗室的一名實習生。再比如SpaceX初創時期，馬斯克為了做一個火箭發射和軌道力學模擬軟體，特意跨界去招了很多資深遊戲開發者。不管是在特斯拉還是在SpaceX，馬斯克也一直敢於提拔年輕人，讓他們承擔重要任務。比如SpaceX獵鷹1號火箭的很多子系統負責人，在當時都很年輕，年齡普遍不到30歲，地面發射控制軟體的負責人當時也就才26歲。這些人被馬斯克青睞，往往並不是因為學歷有多高，或者資歷有多深，而是他們通過某種方式證明了自己的能力。最近的案例來自馬斯克名下的大模型公司xAI。xAI推出的產品名為Grok，Grok資料標註團隊的負責人目前只有20歲，名叫迭戈·帕西尼（Diego Pasini），去年9月剛上位。他在2025年1月xAI的駭客松中（一種長時間程式設計的比賽）獲勝，因此得以加入xAI，入職僅8個月就被委以重任。馬斯克的招人風格，目前有向其他科技巨頭擴散的趨勢。有創業者最近就感慨，她發現一邊是史丹佛大學這種頂尖名校的畢業生也不好找工作了，而另一邊則是一些二十歲出頭的在校生，卻能找到不錯的工作，而且工資甚至比很多資深專家還高。這些年輕人未必出身頂尖名校，自然也沒啥經驗和資歷，但是卻有硬核經歷，他們上線過出色的產品，受到了使用者歡迎，進而證明了自己的能力，最終受到科技巨頭青睞。這也是馬斯克一直以來的招聘理念，不拘一格降人才。19歲的伊森·麥克坎納，就是最好的例子。 (智能車參考)

關於 AI 對未來的衝擊，我們似乎已經達成了一個共識：“AI 會取代那些重複、枯燥、低技能的體力活，把人類從瑣事中解放出來，讓我們專注於更具創造力、更複雜的任務。”聽起來很美好，對吧？但這可能是一個巨大的誤判。就在剛剛，Anthropic（Claude 背後的公司）發佈了他們的第四期《經濟指數報告》。資料正在揭示一個殘酷的真相：AI 並沒有去掃地、洗碗或填 Excel 表格，它正在以驚人的速度，攻佔那些原本屬於人類“最高智力”的領地。我們面臨的最大危機，或許不是失業，而是“去技能化”（Deskilling）。01越燒腦的任務，AI越管用在報告中，Anthropic 引入了一個新的概念：“經濟原語（Economic Primitives）”——這是一組衡量 AI 使用情況的基礎指標，包括任務複雜度、所需的教育水平、自主性等。通過分析這些資料，他們得出了一個極度反直覺的結論：理解 Prompt 所需的學歷越高（即任務越複雜），AI 幫你節省的時間反而越多。我們通常認為，AI 應該最擅長處理簡單任務。但事實恰恰相反，在低認知任務上，AI 的提效並不明顯；反而在那些需要博士學位、需要極高邏輯推理的“燒腦”任務中，AI 展現出了降維打擊般的速度優勢。這意味著什麼？意味著 Claude 不是來做你的“實習生”幫你打雜的；它是來做你的“合夥人”幫你解決奧數題的。它對複雜認知工作的處理能力，遠超我們的想像。02AI 的能力邊界正在重塑別再盯著那些幾秒鐘就能生成的文案或程式碼看個沒完了。真正的戰場，在於 Task Horizons（任務跨度）。報告披露了一組API 資料：在處理那些需要人類耗時 3.5 小時才能完成的複雜任務時，Claude 的成功率已經達到了 50%。而在更長的任務周期中，由於使用者可以基於 Claude 的反饋進行迭代，可靠性甚至更高。3.5 小時，這幾乎是人類半個工作日的有效產出時間。這標誌著 AI 已經跨過了“聊天機器人”的門檻。它不再是那個你問一句、它答一句的玩具，而是一個能夠獨立承擔長鏈條、高複雜度工作的“獨立行動體”。雖然它仍有一半的機率失敗，但考慮到它能將 3.5 小時的工作壓縮到幾分鐘內完成，這種 ROI（投資回報率）足以讓任何一位理性的管理者動心。03恐怖的“去技能化”效應如果 AI 把那些高技能、高認知、最具挑戰性的“硬骨頭”都啃下來了，那麼人類剩下的是什麼？報告提出了一個概念：Deskilling（去技能化）。試想一下：以前，一位資深程式設計師需要構思架構、編寫核心演算法、偵錯複雜的 Bug。這是高技能工作。未來，AI 瞬間完成了架構設計和核心程式碼，人類程式設計師只需要負責稽核程式碼、拼接模組、修改細微的錯誤。工作消失了嗎？沒有。但工作的性質變了。最有價值、最鍛鍊思維、最能帶來成就感的那部分“思考”，被外包給了矽基生物。人類員工可能不再是“專家”，而淪為負責稽核和打雜的。這種變化是潛移默化的。我們可能還會坐在辦公室裡，領著薪水，但我們的核心競爭力——那種深度思考和解決複雜問題的能力，正在慢慢退化。我們不再是AI工具的主人，我們成了AI的“實習生”。Anthropic 的報告最後指出，AI 對全球工作的影響將是極度不均衡的。它不會均勻地打擊所有人，而是會精準地狙擊金字塔尖的認知白領們。未來的職場或許只剩下兩類人：超級個體：那些懂得駕馭 AI，利用 AI 的算力來延伸自己決策半徑的人。他們將站在系統的頂端，指揮 AI 完成曾經需要一個團隊才能完成的複雜任務。打雜的：那些失去了深度思考能力，只能處理 AI 剩下瑣碎、邊緣、流程性工作的人。他們將面臨徹底的“平庸化”。 (AI Pioneer)

突擊安排實習生完成5小時建模測試要求從零開始完成一個300多行的LBO模型還要做一個關於CoreWeave交易的merger model據說測試結果還會影響你能不能拿return offer...WSO上有人曝出Moelis上周summer intern的經歷👇cr.wso如果真按截圖所說只能說Moelis的高壓文化似乎並未真正改變Moelis實習生：後悔接Offer，這裡是血汗工廠這篇帖子下的熱評第一，疑似是Moelis的實習生，👇字裡行間滿是高壓工作下的崩潰。“在培訓結束後，我們就接到任務：要在一周內完成手動整理hand-spread comps和公司簡介。結果又突然被安排要在3小時內完成LBO模型搭建。聽說休斯頓團隊的實習生早在第一周空閒時，就收到LBO模型用來提前練習，而且團隊每天8:30還會嚴格查考勤、抓進度；但我們團隊沒有這樣提前熟悉的機會。這種‘別人早有章法準備充分，自己卻像臨時被推上場的新手’的落差，很不公平。聽說接下來還有M&A模型的任務，真的超級後悔接Moelis的Offer。”有人希望這是一篇惡搞的post。但很可惜，這是事實。Moelis的發言人已經對實習項目的整體安排做出解釋：為期10周的實習項目會讓實習生接觸實際交易業務與技術培訓，其中就包含上述提到的LBO建模測試，但耗時不超過3小時，此外還有其他以培養為目的的體驗活動。公司強調，此次測試不以評估為目的，更不涉及return offer的發放，是為了鍛鍊實習生的實戰能力。所以，是實習生越來越菜還是LBO測試真的超綱？評論區有位網友化身犀利哥，用Ridiculous 來評價搞這類建模測試的投行或團隊。他直言，即便是最優秀的投行bankers，培養相關技能也需要時間沉澱；而要求一個實學生在短短一個月內，就掌握能通過這種測試的能力，簡直是crazy（有大病）。另有一位投行第三年分析師提到：“我認識的一些2nd year analysts都沒法從零建構LBO模型，在我所在的精品投行（EB）裡，多數第二年分析師和非由分析師晉陞的助理，其實也都不具備這種能力。”而要論評論區的吐槽king，非這位莫屬👇“過去，多數Senior MDs在實習時，可能只是在列印室消磨時光，工作內容相對簡單輕鬆；而如今，他們卻要求實習生在規定時間內完成LBO模型搭建這種高難度任務。”評論區也有另一種聲音。有自稱毒蛇的職場老炮認為：“現在實習生抗壓弱、能力水，實際工作中，既有長期推進的項目，也會遇到突發挑戰（fire drills），所以本就應該有隨機考核。”還有更暴力的銳評👇“實習生一年比一年笨，LBO是基礎technical，本該面試前就學透，結果大家只會死記硬背題庫應付面試，根本沒真懂。”也有人從理性角度分析道：“我早年進入投行的Equity Research部門時，都是在工作中現學LBO建模 —— 為了應對交易、路演等需求臨時抱佛腳，要是學不會就被項目硬逼著學會，考核其實都藏在實際工作裡。而現在的實習生卻被突擊測試搞得心態崩潰，但實際上能力會隨著工作推進自然成長，比如PE招聘前，大家都會主動補充相關技能，根本沒必要用隨機建模測試來判定職場成功與否。要是當年也搞這種突擊測試，我肯定也會搞砸。不過，吃一塹長一智，下次就會提前準備了。”而且這位理中客推測：“Moelis搞這類測試，可能是因為這屆實習生表現太差，想用‘休克療法’來震一震他們，但我覺得這種測試沒必要。”也有人在評論區給出了改進的建議。從投行角度看，要求實習生做建模測試是合理的，因為這是投行核心技能。但如果是毫無預兆的突擊測試，那很不合理、會打擊實習生。 如果能給實習生長周期建模任務，大家是能接受甚至更願意的（畢竟能真正學懂）。想上岸投行，LBO要提前練嗎？LBO建模，全稱Leveraged Buyout Modeling（槓桿收購模型），是一種廣泛應用於併購（M&A）和私募股權投資（PE）領域的估值建模技術，主要用於評估通過槓桿融資完成的併購交易是否具備財務可行性。LBO建模不僅能幫助判斷一筆交易“能不能買”，還能用於設計融資結構、評估投資回報等關鍵環節。LBO模型的關鍵用途1️⃣ 交易可行性分析：判斷“能不能買”LBO模型的第一大用途是幫助判斷一筆槓桿收購是否可行。簡單來說，就是評估買方是否有能力通過融資完成收購，並在收購後維持健康的財務狀況。2️⃣ 估值工具：與DCF、可比公司分析並列LBO模型不僅用於融資分析，也常被用作估值工具。它和DCF（現金流折現法）、可比公司分析（Comparable Company Analysis）一起，並列為評估企業價值的三大核心方法。3️⃣ 交易結構設計：決定“怎麼借錢”在併購交易中，如何安排融資結構至關重要。LBO模型可以幫助設計債務比例、利息支付安排以及償還計畫等，幫助買方在風險可控的前提下最大化槓桿效應。4️⃣ 投資回報分析：算清“能不能賺”最後但同樣重要的是，LBO模型還能幫助PE評估投資回報。通過模型，可以計算出投資期間的內部收益率（IRR）和現金回報倍數（MOIC），從而判斷這筆收購是否值得做。為什麼很多投行分析師不會從零搭建LBO呢？那麼問題來了，為什麼這麼核心的技能，很多投行分析師不會從零搭建LBO呢？一個原因是投行內部通常有範本庫（Template Library），新項目通常只需複製已有模型、修改輸入參數即可，因此很多人只熟悉調整輸入、修改假設、理解輸出，但不熟悉從頭搭建。另一個原因是模型搭建往往由資深分析師或助理主導，初級分析師負責資料輸入、格式調整等。因此，很多分析師只是“會用”模型，而不是“會建”模型。LBO模型涉及較多財務知識（如槓桿融資結構、利息覆蓋率、現金流壓力測試等），對剛入行的分析師來說學習成本較高。到底要不要提前學習LBO建模？如果你的目標是投行IBD、PE方向，LBO建模不是要不要練的問題，而是什麼時候練完的問題。精品投行如Moelis、Evercore、Centerview、Lazard 等專注於M&A業務，幾乎不做IPO、債券等其他業務。因此，LBO幾乎是必考內容，面試官希望你能當場搭建模型、分析交易結構、判斷槓桿收購的可行性，並計算IRR 和 MOIC 等關鍵指標。相比之下，八大投行作為綜合性投行，業務涵蓋資本市場、併購、衍生品等多個領域，面試內容也更廣泛，可能包括DCF估值、可比公司分析、財務報表勾稽關係、市場動態理解等基礎與中階問題。但這並不意味著LBO不重要 ——在IBD併購組、PE組、A&M組等崗位，LBO模型仍然是高階考察點，尤其在評估候選人的建模能力、交易理解深度和財務分析水平時，具有決定性作用。而如果你希望後續能跳到買方PE，LBO更是面試必考內容。因為它直接反映了你是否具備買方思維和交易分析能力，而這正是PE工作的核心競爭力。雖然都考LBO，但IBD和PE的側重點略有不同IBD面試測試你是否具備基礎建模能力、估值邏輯、行業理解，更偏向技術性問題（walkthrough、IRR 計算、影響因素等）PE面試測試你是否具備 deal sense、商業判斷、風險意識，更偏向實戰型問題（deal structuring、回報最佳化、退出設計）。在投行面試越來越卷的情況下，提前學習LBO建模能提升個人競爭力。LBO Model幾乎是金融面試必考的知識點然而估值模型學習難度較高有業內導師指點才能在面試準備上事半功倍 (WallStreetTequila)

當所有人都在談論不可替代時， 她卻展現出可替代的一面。 2025年開年，全球頂級資管公司貝萊德發佈全球投資展望，一位華裔女高管走入大家的視野。 她的名字叫李薇，35歲就坐上了貝萊德全球首席投資策略師的位置，已經連續三年代表貝萊德解讀全球投資展望，是該公司名副其實的“全球發言人”。