团子一周工作周记

一面主要考察了基础八股（CAN协议、RTOS任务调度、volatile/const、内存管理、死锁、看门狗、Linux驱动、AUTOSAR基础等），二面整体难度明显上升，更侧重系统设计能力、车载软件工程实践以及对整车架构的理解深度。面试官会结合一面的项目继续深挖，同时引入更多车载场景下的工程问题。一面提到了你的项目，这次深入聊一下：如果把你的项目移植到车载域控平台上，需要做哪些改造？从硬件抽象、OS选型、通信协议、功能安全几个维度分别说一下。什么是域控架构？和传统分布式ECU架构相比，域控架构的优势和挑战分别是什么？零跑的整车电子架构你了解吗？Classic AUTOSAR的分层架构中，BSW...

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...