学历不是岗位胜任

候选人受了多少教育，要有个标记。模型分级就是这个标记。

Opus、Sonnet、Haiku，或者别家的各档，差别是通用水平的差别——推理能深到哪、知识铺多广、还有相应的价码。这正是学历在简历上起的作用：它快速告诉用人方，这个候选人大概在什么段位。

这个标记是考出来的。候选人在校期间的测验、毕业时的统考，对应模型的通用评分榜——那些 benchmark 和 leaderboard。文凭是结果，排行榜上的名次是过程，两者都属于受雇之前、还在学校里发生的评估。它衡量的是通用水平，发生在任何一个岗位出现之前。这场考试在出生与毕业之间，不在入职之后。入职之后还有另一场，考的是岗位胜任——那是 eval 的事。

学历是输入，不是结论

但学历从来不直接等于岗位胜任。

博士不一定比硕士更适合某个具体岗位。一个要求快速响应、日均上千次的简单分类岗，招个博士来做，是杀鸡用牛刀，又慢又贵。一个要求长链推理、一步错步步错的架构岗，派个实习生去扛，是拿事故赌成本。学历高低说明的是通用能力的段位，岗位要的是匹配——这份活要多深的推理、容多大的错、付得起多少延迟和成本。

把这件事放回选型，就清楚了：选模型不是“越强越好”，是“匹配岗位”。让最贵的模型去做每天一次的格式转换是浪费，让最便宜的去扛核心决策是冒险。强模型用错地方，既烧钱又未必更好；弱模型放错地方，省下的钱不够赔。

匹配的前提是先有岗位

可问题在于，“匹配”得有个匹配的对象。你得先知道这份活需要什么，才能判断哪一档学历合适。

而“这份活需要什么”，恰恰是大多数人选模型时还没想清的。先抓最强的模型，再回头想让它干嘛——顺序反了。学历是岗位匹配的输入之一，不是匹配的结论；没有岗位定义，学历再高也无处安放。

所以下一步不是继续比模型，是先把岗位写出来：先写 JD，再选模型。