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...

秋招没有大满败，最终收到节子的offer。

这两天我Vibe Coding了一个项目，纯vibe那种,，一行代码都没有写。理解了很多Vibe Coding新手遇到的问题：AI写代码,改来改去越改越乱,最后项目直接崩了。 反思了一下自己Vibe Coding的过程之后，我清空了AI写了两个小时的代码，从头再来，这次就十分顺利地将项目开发完成。其实问题不在AI，而在于跳过了最重要的准备环节。就像盖房子，没有图纸就开工，盖到一半发现门窗位置不对，只能推倒重来。 所以，在让AI写第一行代码之前我们要做好些必要的准备工作。 打开 Claude或者 ChatGPT，跟它聊聊产品想法。按照这7个步骤，一步步来。 第一步：把想法聊清楚 把你的想法完整地...