沐曦三方违约金

先说结论：2026年简历不带AI，等于自动少一轮面试 不是标题党。 翻了最近社区几百条求助帖，发现一个很明显的分水岭——简历上有AI相关项目的同学，面试邀约率明显高于纯传统项目的同学。 不是说传统项目没用了，而是2026年的面试官在筛简历的时候，脑子里多了一个判断维度："这个人对AI有没有感知力？" 你不需要发顶会论文，不需要手搓Transformer，但你得让面试官觉得：你不是一个对AI时代无感的人。 这篇文章解决一个问题：你手里已有的项目（课程项目、比赛项目、自研demo），怎么往AI方向包装，让简历从"已读不回"变成"约面试"。...

吓哭了，明天被面试塞满了

那可真是太遗憾了，你们就继续把流程卡在简历初筛吧，继续给我发测评和笔试之后把我挂掉吧（大部分甚至连感谢信都没有😁），我填网申一点都不累，做测评和笔试一点都不辛苦

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...