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...

从一月中到现在，最大的感悟是累、其次是不要怀疑自己

真正让人意识到“技术实习不是写完需求就结束”的，往往不是写代码那一刻，而是系统开始抖的时候。 很多同学对技术实习的想象，还停留在“接个小需求、补几个接口、改几段逻辑”。但如果你进的是拼多多集团这样的环境，你更可能遇到的，是另一类问题：业务在往前跑，系统要稳住；流量上来之前，架构要先想明白；一个模块能不能扛住，不只看功能对不对，还看它在高并发、分布式场景下是不是足够可靠。 印象很深的一个场景，是一次发布前的联调和验证。功能本身已经能跑通了，表面看没什么问题，但在继续往下看链路时，大家发现某个模块在并发请求叠上来之后，表现并不稳定。这个时候，讨论就不会停留在“代码能不能提交”上，而是很快切到更本质...