火羽一面

一般情况下，我们聊到“大模型的量化”，想到的大概率是“把FP16转成INT8或INT4，从而降低显存、加速推理”。其实我觉得工程上没毛病，因为很少有人会去探索啥玩意是量化，但你要是放在算法岗的面试上，这样通常是不够的。面试官往往会继续追问：精度明明降低了，模型为什么还能正常工作？什么时候量化会失效？如果这时答不上来，基本就已经失分了。（我的答案放在文末）要把这个问题讲透，可以换一种更有层次的表达方式，从“是什么”到“为什么”，再到“什么时候不行”和“怎么选方案”，逐步展开。首先，从本质上看，量化并不复杂，它做的事情就是用更少的比特去近似表达原本的高精度参数。原本一个FP16权重用16bit表示...

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

从去年实习时的古法编程，到如今一行代码都不自己写，也就隔了个AI的距离。现在最大的焦虑不是需求，不是排期，而是——token额度。4月才过三分之一，额度就干了一半。Claude Opus 4.6是真的强，但也真的烧，接下来得省着点换Codex续命了。半个月，靠AI写了2万行代码，而且还是一个完全不熟的技术栈。经常一句话下去，AI库库给我整出几百行，写得比我快多了。但问题也来了：review比写还累，编码一分钟，review半小时。 我现在基本看效果能跑就合了，不会逐行深究。结果就是：新技术栈学了个“会抄”，但没真学会。仅有的学习窗口，就是review时偷瞄AI是怎么组织代码的。这也是如今的现状...