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...

挑战全网最惨27届应届生。十几场面试全挂，道心破碎，后续不打算面了，先调整一下心态了。金三银四感觉和双非无关

📍面试公司：百度PSIG🕐面试时间：2026.3.30💻面试岗位：测试开发实习❓面试问题：1、自我介绍2、聊聊你项目中的亮点？3、你在项目中的职责是什么？4、开发过程中有没有遇到什么问题？如何解决的？5、你从这个项目中收获了什么？6、针对你提到的文件上传说说测试用例如何设计？7、你最近一段测试实习主要做了什么？涉及哪些端？8、测试覆盖率如何计算的？9、设计自动化测试脚本过程中的难点是什么？10、自动化测试的case是否需要人为确认其效果？如何验证脚本可行性？11、算法题给定一个caseList（用例列表）和一个deviceList（设备列表），请实现一个算法，将所有用例均匀分配到各个设备...