有赞Android一面凉经

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

感觉寄了，代码都让ai写了，现在心里慌慌慌。怕不给面试，也怕给了面试。第一次面试说要出一道算法题脑子一片空白😐。。。

部门做的业务是AOI和POI相关的高并发LBS，面试前复习了一下八股和项目，还看了几个京东零售的面经，结果全程在问我高并发点、线、面计算之类的（可能是因为我是地信专业简历上带了个GIS项目），怎么和别人的面经不一样啊呜呜呜1.自我介绍（本人一段GIS后端的单体项目实习，完全没有接触过高并发下的LBS，还有两个项目，一个RAG，一个仿12306）2.详细说一下你们的空间查询是怎么做的3.也就是画了一个围栏之后，查围栏里面的点，那你知道怎么判断一个点在不在围栏内吗，包含函数的原理是什么4.那你了解空间索引吗5.那Geohash或者四叉树你了解过吗6.墨卡托投影呢7.（假设场景）如果在高并发场景下，...