西安oppo 产品岗

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...

就是觉得好漂亮，可能是配色？

提示词首先是提示词编写，可以套用模板1. 基础代码生成模板 请用【语言/框架】编写【功能名称】 要求： 1. 输入：【明确输入参数/数据】 2. 输出：【明确输出格式/结果】 3. 约束：【简洁/注释完整/无冗余/兼容XX版本】 4. 额外：【添加测试用例/错误处理/日志】 2. 代码修复 / 排查模板 这是我的【语言】代码，运行时报错【错误信息】 代码： 【粘贴代码】 请： 1. 定位错误原因 2. 给出完整可运行的修复代码 3. 解释修改点和原理 3. 代码优化 / 重构模板 请优化这段【语言】代码，目标： 1. 提升可读性/性能/可维护性 2. 符合行业最佳实践 3. 保留原有所有功能 ...