做技术面试官这些年，经历过线下面试的严谨，也适应了线上面试的便捷。自从公司全面转为线上面试，虽然视频沟通少了些面对面的直观感，但对算法题作答来说，不管是候选人提交代码，还是我们校验结果，都比以前方便了不少。但是去年开始，我被一个新问题困扰——越来越多的候选人在面试中使用AI辅助。这事儿最让人纠结的地方在于，大多时候都只是“嫌疑”，没有实锤。你说直接判定为作弊吧，怕冤枉了品行端正的候选人；可要是在面试过程中直接点破，又容易引发投诉和舆情。更麻烦的是，由于这几位作弊的候选人，我们整个面试团队都会变得格外警惕。之后面试每一个人，都会下意识地寻找作弊的蛛丝马迹，眼神、语速、回答的流畅度，甚至是镜头外的...

已拉黑：美团，百度，米哈游已点赞：快手，网易，众安，字节跳动，蚂蚁ttl：3.16投递-3.25 一面-3.30 二面-3.31 hr面-4.2 oc

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...