今年应届大模型算法年包一个比一个高，某书某节应届生开七八十万的好像一抓一大把，但是一看JD：有大模型预训练经验，有万卡集群调度经验，发表顶会论文对于我们这种没有大厂实习，没进强组的小卡拉米来说，基本上都是不可能满足的条件。  所以，没显卡的穷孩子真的不能靠大模型算法翻身吗？ 关于这个问题，实际上也要看“大模型”的几个具体方向（虽然都叫大模型算法or大模型应用），按照对硬件资源需求的程度从低到高排序大概是这样： Prompt工程 ≈ Agent 开发 < RAG <  LoRA等高效微调 < 全参数后训练（微调） < 预训练 这么看其实很明了了，那些对资源要求极高的JD，...

路过的大佬拷打一下吧，蜀黍是学院本，在一家小公司实习了3个多月，没有什么高并发，特别nb的技术，想问问各位大佬有优化的地方吗？有机会找个稍微好一点的厂吗？

😭我这个简历能在春招找到个中厂吗，想找个200人以上的，目前鼠鼠在30人的一个创业公司干后端，整个公司就我一个后端，没人带，想找个大一点的公司我这里还有个中国铁塔的实习，不知道写不写比较好，如果要包装的话，各位大佬有建议吗？求求求，鼠鼠年后一周就打算开始投了，各位大佬帮帮看看还有哪里能改的😭😭😭

https://zhuanlan.zhihu.com/p/5633149451.用空间换时间，将之前解答过的子问题答案存储为备忘录，要计算大问题的时候直接从备忘录中查找；2.本质上主体还是一个for循环，还是遍历逻辑，只不过每次的计算都是O(1)级别的，所以时间复杂度很低O(n^2)；3.自顶向下（记忆化递归）：递归逻辑，要解决n规模的问题，要先用相同函数解决n-i的问题，并将n-i问题最优解存储下来，然后return；自底向上（迭代dp）：推导逻辑，先解决1规模问题并记录最优解，2规模问题用到1，3规模用到2以此类推......4.自顶向下记忆化递归方法好想，而且可以避免计算用不到的子问题，...