小米内推小米内推码

背景：本人24届，一战考研失败，毕业后参加考公最终下岸，本科就读双非目标院校，专业是网络工程，计算机专业方面的课程都学过，但是无实习经历无工作经验。在考公下岸后，我大概花了两个星期复习了C++，接着由花了两个星期刷完了力扣hot100的题目。在这之后，我联系到了栗栗姐，随即开始准备笔试和面试。 机考：花了两个多星期刷题，题库大概刷了100多道吧。机试前最好熟悉ACM的输入输出模式，如果只用过力扣的核心代码模式还是比较吃力的。精准核酸检测(100)图搜/BFS贪心的商人(100)贪心算法，参考力扣的122题简单的解压缩算法(200)字符串处理/栈综测：往积极乐观的方面选就行了，注意前后一致。 资...

三月初面了自己玩一个岗位感觉不太好，一直到现在都没有约面，中途官网投过一批一直卡在简历筛选，中途问了问之前的hr说已经在其他流程中了，最近官网又投了一个第二天流程终止，看起来像是锁流程了但官网状态又能更新，又像是没人捞，这是咋回事😂

现在才学到苍穹外卖，会不会太晚了TvT，在想能不能找小厂刷刷实习经历，这简历可以试着投吗？有人能指点一下吗，谢谢大佬

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...