字节，腾讯暑期面经，两个都已 hr

上周二投的暑期实习，没想到周四就约面了，一边疯狂准备一边拖，终于今天完成了自己的第一面。前面问了十几分钟agent项目，后面回到java部分。HashMap 的底层实现是什么？是线程安全的吗？HashMap 会有死循环问题吗？如果要用线程安全的数据结构，有什么替代方案？synchronized 的底层实现大概是怎么样的？线程锁锁的到底是什么？ThreadLocal 有了解吗？大概是怎么回事？ThreadLocal 在什么场景下会用到？在你的项目中，有用到 ThreadLocal 吗？Redis 常见的数据结构有哪些？ZSet 和 Set 的底层实现有了解吗？缓存雪崩、穿透、击穿分别是怎么回事？...

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

四次面试终成鹅孝子 😭 

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...