一、行业/公司新闻    标题 日期 简介     Anthropic Claude Mythos 泄露持续发酵 03-28 近3000份内部文档被发现在无加密数据库中，揭示代号"Capybara"的新模型在编码、推理和网络安全上"阶跃式超越"Opus。网安股CrowdStrike跌7%、Palo Alto跌6%   Waymo 周付费单量突破50万 03-28 不到一年翻倍，已达年底100万目标的50%。Zoox同期扩至Austin和Miami   Uber 宣布欧洲首个Robotaxi服务 03-28 与Pony AI和Verne合作在克罗地亚萨格勒...

面了这么久发现面大厂虽然难，但整个面试流程是固定的，面完是会让你面试有所收获，能发现自己的缺陷不足的。面小厂纯属开盲盒，总能收获些神人上午面的一家小厂，面试官实习八股都不问上来直接让我写个功能，面到一半来句“wc，tmd这么d”（素质挺低的，不过不是骂我）下午二面的是家80人初创小厂叫句子互动，面试官是个中年光头男，要我百度一个在线编译器，10分钟写一道编程题（太久没写超时了），前面就感觉态度很怪，整个人很烦躁，我习惯性的打开了IDEA，来句“你没听清我说话吗？用在线编译”😅后面发我了一串代码让我讲解代码功能，代码太长飞书的弹幕列表又小，我拿触摸板复制不全。面试官就阴阳我“你觉得你是个细心的人吗？你代码都没复制全”，我道歉完之后，划拉了好一会那代码也粘不下来，我又道歉说我看着代码讲，那面试官还发火“把代码复制出来好吗？😡”要不是线上估计得跳过来打我本来前面态度差就够烦了，丢下一句话“爱过不过，真是费劲”就把会议关了，留下一脸懵逼的👨‍🦲

就是觉得好漂亮，可能是配色？

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...