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...

求助，怎么改进。约面都没有🙂‍↔️  

27届双非本计算机专业，感觉前后端挤满了人 ，于是转AI产品经理 ，学习相关知识 ，做项目改简历，但是投了半个月简历，打招呼了1k➕，只有3个约我面试，还都是那种0-20人的公司，我感觉有点不靠谱，我觉得怎么也得是中厂啊…是简历有问题吗，求指点，还是现阶段没实习没学历的我只能先去这种公司

首先先致谢这一路以来帮助我的各位佬，没有你们的支持与帮助我也走不下去，我也会将这份善意传递下去，感谢带我的韩哥（后端转测开第一人）和各位本校的师哥，我是后端转的测开，从大一开始的学习后端，说自己多不容易太没意思了，因为我知道大家其实都感同身受，就像是在攀登我们自己的山，区别是我们根本不知道路的尽头在哪，也不知道自己的路是不是正确，好在这段路上我们并不孤独，我啥时候打开力扣都有好多人同时在线，我由衷的佩服这条路上的每一个人，虽然可能是竞争对手，但也是最知道彼此不容易的朋友，就想**说的那样，矛盾是解决不完的，人生就是在攀登的过程中欣赏沿途的风景嘛，以后的生活还会充满挑战，希望我和正在读这篇随笔的...