一面自我介绍挖项目、问得很细，说做了什么，遇到什么难题，怎么解决、为什么这么做，具体细节等等。中断执行流程如何配置 GPIO 口输出高电平IO 口推挽输出的内部结构IIC（I²C）通信协议I²C、SPI 协议相位如何设置RS232 和 RS485 的区别未接收到串口数据，如何查错CAN 总线仲裁机制ADC 原理，转换有哪几个步骤堆区和栈区的区别栈的作用全局变量、静态变量存储位置data 段与 bss 段的区别static 全局变量和局部变量分别存在哪里编译后数据有哪些存储位置C 语言编译的完整过程大端与小端的区别strcpy 和 memcpy 的区别sizeof 和 strlen 的区别字节对...

无实习加一般学历，求简历拷打

恐怖如斯

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...