1. 自我介绍，重点讲一下你做过的最有挑战性的嵌入式项目。答（示例思路）：结构建议：背景 → 你的角色 → 技术难点 → 解决方案 → 结果例：参与过一个基于 FPGA+ARM 的 LED 大屏同步控制系统，负责 Linux 侧驱动和上位机通信协议设计。最大挑战是多块接收卡之间的帧同步，最终通过硬件 VSYNC 信号 + 内核 hrtimer 精确触发，将各卡帧延迟控制在 100us 以内。2. 详细讲一下你项目中 DMA 的使用，数据是怎么从用户空间流转到硬件的？答：典型链路：用户空间 → 内核驱动 → DMA → 硬件 用户空间 write() ↓ copy_from_user() 拷贝到...

这种要去吗？

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...