【拼多多集团-PDD校园招聘】

select book_id ,book_title ,feb_2023_borrows ,feb_2024_borrows ,jan_2024_borrows ,feb_2024_borrows-feb_2023_borrows as yoy_delta ,feb_2024_borrows-jan_2024_borrows as mom_delta ,round(coalesce(nort_2023*100/ifnull(pct_2023,0),0),2) as north_pct_2023 ,round(coalesce(south_2023*100/ifnull(pct_2023,0),...

27届，投实习  

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...