屹唐半导体

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...

最终还是选择志杰了，🍠希望有机会在秋招再见吧

我大三tmd逃课去白马培训是吧，你老冯同意了没？

发面经攒人品没问太深，而且问的时间不到半小时，无手撕代码，感觉有点像kpi面。自我介绍啥时候能来实习实习干的什么，实习了多久，讲讲实习具体的工作redis大key问题是什么，怎么优化比如有个hash的大key，某个版本拆开后删掉了，那么怎么保证数据的一致性如果有很多商品，redis内存不足了，怎么办？你选择哪种淘汰策略？你选了最近最少使用，那么一个刚刚被淘汰的又被查询了，会发生什么？讲一讲项目中分布式锁的使用场景和实施方案Threadlocal内存泄露讲一下，怎么避免如果业务逻辑抛出异常了，会不会导致最后的remove没有执行？你怎么确保一定remove了？你做的这个agent项目是基于开源项...