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...

Timeline3.5一面3.8 二面3.12 三面3.18 hr面4.2 offer

这个它石是真的恶心，一天就给我结束了。看了一下JD，估计就是卡学历，非要985/211吐了。。。。

四类题，提交前一类才能做下一类。  单选题，知识点包括ai和后端。 多选题，少选得1/3分，错选不得分，知识点同上。 3道编程题，题目可以看公众号的题解。 根据图书借阅规则写提示词实现一个图书借阅程序，题目规则不能复制。最后一题留点时间，我就是最后一题没时间了，提示词没写完。  感觉题又多又难，大家好好准备吧，我只能看运气了。