怎么拖网签

真是一场苦战，索性该答的都答了个七七八八加粗的是没答上来的Reconciler 如何遍历 fiber 树（先序遍历）为什么要这么设计（这我上哪知道了）DOM 树和 fiber 树的区别diff 算法是怎么比较新旧两个树的（还没学到 diff 算法呢）浏览器从拿到渲染树以后都经过了哪些阶段（布局→分层→分块→光栅化→直接显示（其实是合成））为什么光栅化要由 GPU 去做（GPU 擅长光栅化的操作）为什么会这样呢（疯了吧问这个）Webpack 和 Vite 有什么区别Vite 打包用的什么（我想也是 ESM 吧）ESM 和 CJS 区别（提到同步导入和异步导入）微任务队列和宏任务队列都是什么任务循...

看来得重新踏上征程了。后悔之前oc之后没有走其他的流程。

大家帮我看一下我的简历，真是没招了，2026听劝版~

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...