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...

我还有机会吗

1、介绍自己做过的项目--->项目中的难点（你怎么解决和思考的）2、java的基础知识： 2.1、问了hashMap底层原理，以及为什么hashMap线程不安全。 我说了一下数组+链表+红黑树（1.8），在链表长度链表长度 > 8 且数组长度 ≥ 64 时，链表转为红黑树，红黑树节点数 < 6 时，退化为链表。hashMap的内部操作不是原子性的，在多线程情况下会出现数据覆盖和丢失问题。比如两个线程同时put，发现key的hash位置为空。线程a挂起，线程b写入，随后A恢复，会直接覆盖b的数据。 2.2、GC垃圾回收算法 我说了分代收集法、复制算法、标记清楚法，以及他们的优缺...