01 /
这个岗位做什么
评测工程师做三类工作：
- 软件测试功能、接口、自动化、性能测试；写用例、提缺陷、跟回归。
- 大模型评测搭评测集，按你定的标准给模型输出打分，做版本对比，把问题样本整理给算法团队。
- 多语种游戏测试用目标市场的语言玩游戏、测游戏，查翻译、文字显示、本地化和玩法问题。
02 /
什么时候需要
- 版本节点、集中测试，几个月里测试人手要翻倍。
- 模型要上线或换版本，需要一批人按统一标准做评测。
- 游戏要上日本、韩国市场，需要懂语言的测试人员。
03 /
我们怎么找人
五轮筛选（简历筛选、电话初面、在线笔试、技术初面、古猿优选）里，按方向看不同的东西：
- 软件测试用例设计和缺陷描述是否清楚，能做自动化的优先。
- 大模型评测判断标准是否一致，能否写清判断理由；金融、法律等专业题目找有行业背景的人。
- 多语种游戏测试语言能力和游戏经验都要有。
通过后由你面试确认。常规岗位、首批 6–7 人以内，从发布岗位、筛选简历到人员入职，平均 5–6 个工作日；稀缺岗位或人数更多时，按岗位难度分批到岗，第一次沟通就告诉你具体时间。
04 /
合作方式
- 工作方式驻场或远程。集中测试、评测可以按阶段配置，见项目制弹性团队。
- 计价按人月计费，全风险报价或按实际发生报价，具体价格在报价时提供。
- 你负责测试范围、评测标准和验收标准。
- 我们负责招聘、劳动合同、社保与薪酬、考勤核对、替换、月度报告。人员替换一周内完成。
06 /
相关
- 场景：阶段性峰值与长期峰谷
- 相近岗位：算法工程师、数据标注、开发工程师
07 /
开始对话
告诉我们测试或评测的方向、人数、时间点，我们告诉你多久能到。
常见问题
大模型评测的标准由谁定？
由你定。评测集、打分标准和验收要求由你的算法或产品团队确定；我们的人按标准执行，判断理由写清楚，方便你抽查。
多语种游戏测试需要什么样的人？
语言和游戏经验都要有：能用目标市场的语言玩游戏、看懂文本，也熟悉游戏测试的流程。我们为哔哩哔哩的游戏产品提供过日语、韩语方向的游戏测试。
