得物内推，得物内推码

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...

太难写了

求各位牛爷爷指点

自我介绍手撕：最长无重复字符的子序列（经典，字节最高频的一道题）询问上段实习为何离职针对简历上图片评测相关的工作讲解一下数据集清洗、打标怎么做的构建benchmark的标准有哪些？讲解一下基于agent skill做ui自动化的细节讲解一下一个需求完整的开发到上线流程。线上出问题是怎么解决的？第二段实习中代码行覆盖率怎么做的，有调用外部工具吗？反问：多久出后续。