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...

15.30开始，16.00结束，16.16发邮件约二面，官网流程进复试。这岗位不会是招黑奴干活的吧😰4.8更新：原来是被捞到日常实习了，表示暑假到岗，十分钟说拜拜👋。

三月底投到现在至今0约面，是哪里出了问题，是背景问题还是简历问题呢希望大佬指点一下

🕐面试时间：26.4.3-一个小时💻面试岗位：Java开发❓面试问题：自我介绍介绍实习的慢SQL优化如何看待慢SQL排查与优化工作的主动性(被动救火优化)？是否存在更前置的风险防控思路？当已知某条SQL执行不符合预期（如要求优化至100ms以内），您的系统化排查与优化思路是什么？聚簇索引与普通索引的核心区别，以及各自典型的应用场景。如果利用AI自动化识别项目中因索引设计不当导致的回表性能问题，技术实现思路是怎样的？反问业务和流程聊AI和如何与工作结合🙌面试感想：问问题也就是25分钟，后续就是反问和闲聊了，无手撕。