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...

Time line2.2 约一面2.4 一面2.5 约二面＋二面2.8 hr面后秒云证2.12 邮箱oc

最近尝试了一种新的开发方式：Vibe Coding。简单来说，它的核心不是“写代码”，而是“描述需求”。开发者的角色从“实现者”，转变为“产品经理 + 架构设计者”，而具体实现则交给大模型完成。这篇文章不重点讲项目实现，而是总结：如何更好地进行 Vibe Coding。什么是 Vibe Coding可以把 Vibe Coding 理解为一种新的开发流程：明确问题 描述需求 让 AI 生成实现 持续修正与迭代 它并不是“让 AI 自动完成一切”，而是：用更高质量的输入，换取更高质量的输出Vibe Coding 的关键原则以下是这次实践中总结出来最重要的几点。1. 不要一开始就写代码很多人一上来就...