大疆校招 8月14日 18:00截止投递

        AI能写代码、做报表、排查bug，帮我们摆脱繁琐重复劳动，但我们难免焦虑：AI如此强大，究竟有什么做不到？我们的价值会被完全取代吗？               答案藏在需要温度与共情的瞬间。        AI能生成华丽的安慰话术，却替代不了发自内心的倾听、真诚的陪伴与职场间的默契理解。它能捕捉文字情绪，却体会不到背后的欢喜与遗憾，就像病人需要的是医生的关切，而非AI的冰冷建议；失意者需要的是懂他的共鸣，而非千篇一律的...

这份简历可以进腾讯面试嘛，救救孩子😭

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...