面试时间：4月2日部门：核心本地商业-点评事业部机试3月14号考的1.7/3，上个月二十几号约的面，早上7:40分发邮件过来换了面试链接，反问的时候惊觉面的不是纯后。面试官人很好，实力也很强（楼🐖还是第一次在面试里拿到面试官的优化建议的，收获挺大），聊得很开心。1. 自我介绍2. 项目是自己练手的还是上线了？（挂的点评plus）3. 有没有做过压测？怎么做的？（Locust做的压测，先推算出或者实测出一个参考RPS然后再设计场景进行对比测试）4. 测试的case是怎么做的？具体说一下参数。（模拟用户线程请求HTTP接口，观察P50/P95和Failure）5. （秒杀模块）订单创建有几种状态...

感觉我的简历在本科生中也不算差，面试的时候八股和算法只要不挖的太深都回答的上来，为什么老是被一面挂😭最近被一面挂麻了，即使问了面试官对我的印象说还不错也仍然被一面挂，真有点怀疑人生了😭

timeline过年前就约的年后三月份的面试2026 3.05 一面2026 3.10 二面（挂）2026 3.13 二面2026 3.16 hr面2026 3.19 口头oc2026 3.20 offer两道手撕无重复字符最长子串数组中能组成小于n的最大数字记录一下 不多写什么了 同时也感谢平台上以前发面经的佬们记录的一些手撕题目 刷一刷颇有成长

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...