全文约 4400 字 | 预计阅读 11 分钟目录先交个底：我是谁，拿了什么结果45 场面试，被问最多的后端八股全在这了手撕题：写不出来基本就挂了暑期实习和春招，考的真不一样最后说两句上一篇春招五周，我面了四十多场，最后想说的全在这了发出来之后，反馈比我预想的好很多。很多同学私信问我：暑期实习也有这种汇总吗？刚好清明假期有空，把去年暑期实习的面经全部翻出来整理了一遍。43 篇精修面经，每一篇我都重新读了，把所有被问到的问题按频率和重要性做了归类。先说一句：这是去年的面经，时效性肯定不如今年的新鲜。但八股文和算法题这东西，一年前和一年后差别不大，核心考点就那些。我两篇文章加起来不到 100 道八...

🐭🐭是学院本，没有实习过😭3.2号更新一波简历，目前已经有一家进二面了，一面线上面被拷打了一个多小时，后面和负责人开始聊天。😭

二本的结局就是铁人三项嘛

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...