【内推】中国移动智慧家庭运营中心 中国移动杭州研究院 春招

图上密密麻麻，微服务节点十几个，链路复杂得像一张蜘蛛网。 我盯着看了半个小时，打开代码，翻了两个小时，然后在群里发了条消息： "找到了，这里有个同步调用链，高并发下会串行阻塞，延迟会指数级放大。" 导师回复只有两个字："改吧。" 那之后，我开始真正明白"高并发"是什么意思。 不是课本上的题目，不是面试题里的背诵答案。 是真实流量打过来的那一刻，监控大盘上的 P99 延迟曲线陡然上翘，是凌晨告警响起，所有人盯着日志找根因的那种真实感。 我负责的模块，是分布式系统下最难受的那类问题——容灾容错。 系统在高流量下能不能撑住，节点故障了能不能...

感觉寄了，代码都让ai写了，现在心里慌慌慌。怕不给面试，也怕给了面试。第一次面试说要出一道算法题脑子一片空白😐。。。

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...