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...

就不投

刷到好几个腾讯的面试，面试官要求共享屏幕讲解代码了。感觉好恐怖

🏆 TOP 1：你面试已经通过了，目前正在走流程。这句话绝对是牛客网年度最让人心梗的句子，没有之一！ “你还可以，但不是最优解。我们要先把你放进‘鱼池’里泡着，等后面几个候选人面完，如果他们太贵或者不来，我们再把你捞起来。”或者“HC（编制）还没批下来，先稳住你再说。”这个“流程”可能会走上一个月，最后告诉你“公司业务调整，HC锁了”或者直接养鱼养到失联。Offer一天没发到邮箱里，就一天不要停止面试！ 哪怕HR在电话里说得再天花乱坠，口头Offer都是0约束力。该海投海投，该面试面试，用其他Offer去反向催进度才是王道。🤥 TOP 2：我们公司是扁平化管理，氛围特别好。刚毕业的小白最容...