说实话，大部分时间在发呆。打开leetcode，看了题目，关掉。打开招聘软件，刷了几个岗位，投了两份，然后开始盯着"已读不回"发呆。想打开课程学点东西，点进去，看了五分钟，脑子完全转不动，又关掉。不是懒，是那种悬在空中落不了地的感觉太耗神了。你不知道简历哪里有问题，不知道要等多久，不知道方向对不对，什么都使不上劲。焦虑是真的，但焦虑又转化不成行动，就这么耗着。后来我跟一个已经拿到offer的朋友聊，他说他当时也是这样，但他给自己定了一个笨规矩：每天只做一件具体的事，不管状态好不好。改一个简历模块，学一个知识点，做一道题，发三份简历。不要求多，但必须是真实落地的事，不能是&q...

有点搞笑了哈哈哈😂

不止遇到一次了，什么都不会，让提合并请求，问什么是合并请求。让gitlab.页面把测试截图附上，不知道截图要放在哪，那么大的编辑看不到吗让配开发机，问ip是什么东西……这都咋进来的啊，我们（我2023年毕业）那会儿没AI的时候面试都是直接linux，docker，k8s，git，结构与算法，计网。怎么才过去2年，实习生跟傻子一样，有些问题问的我难受，不会git commit，不会git pull，不会切换分支，直接要覆盖master....————而且态度非常敷衍，3天前给开个仓库权限，连本地都没有拉下来。让写一个小文档，都是说一句，写一句，说把目录加上，挺嗤之以鼻，最后还是把目录加上了😂😂任何文档和注释都是方便后来人的，现在的人真的很自负啊，打开github看看任何一个开源项目的文档和注释，都写的很详细。难道现在的同学在校期间不经常拉开源项目看源码学习吗？ 哪怕是一个swap函数，开源项目里都经常注释：1 3 5 7 9 2 4 6 8 10＾           ＾l              rswap：{功能描述}{使用样例}

Q1：大模型是怎么让生成的文本丰富而不单调的呢？答案：从训练角度来看：基于Transformer的模型参数量巨大，有助于模型学习到多样化的语言模式与结构；各种模型微调技术的出现，例如P-Tuning、Lora，让大模型微调成本更低，也可以让模型在垂直领域有更强的生成能力；在训练过程中加入一些设计好的loss，也可以更好地抑制模型生成单调内容；从推理角度来看：基于Transformer的模型可以通过引入各种参数与策略，例如temperature，nucleus samlper来改变每次生成的内容。Q2：什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？答案：Bert 的...