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...

刚看到到了初试，还没面就流程结束，有没有知道什么情况的

1. 自我介绍2. 项目介绍3. 多智能体项目中，工具调用是怎么实现的？4. MCP 有哪些协议是否了解？5. RAG 的工作流程6. Tranformer 为什么出现？解决了什么问题？注意力机制介绍一下7. 大模型生命周期相关，训练，微调，量化，剪枝，蒸馏，部署，分布式等，从头到尾串了一遍8. 有一个垂域大模型，部署成本过高，如果要降低部署成本，你会选择蒸馏还是量化？9. Linux 进程与线程的区别10. Python GIL 锁有没有了解？怎么绕过 GIL 锁？11. Git 多人协作的时候怎么处理合并冲突？12. 开放性问题：你在学术项目中印象最深/感触最大的一件事13. 开放性问题：...