中国工商银行产品面经分享

分享下作为一个双非本的春秋招求职总结，我发发牢骚可能文笔不好本人三段实习，两大一外企，通过春秋招给面情况，总结一下中大厂对双非友好度友好：字节（夯爆了）、滴滴、腾讯、好未来、小米、脉脉、快手、360、安可创新、腾讯云智、小鹏汽车不友好：pdd、网易、京东、xhs、得物、米哈游、华为、阿里系、虾皮（这些是我投了什么反应都没有的）秋招下来总共2个Java的offer，深圳北京的小厂，秋招还收到了小米武汉云原生的谈薪电话（后面被鸽了，HR还说什么给我看机会，现在基本没回复了）春招3月份已经过去了，好未来挂，腾讯地图挂（遇到这部门谁倒霉），滴滴外卖挂我想讲一些心里话：传统后端是真不想干了我记得小米给我...

为什么面了八次次次都是一面挂，次次都不说原因，问了面试官就是插科打诨，为什么别人一面就过呢，真的没有缘分呀。不考编程就是脑筋急转弯的概率题，考了编程a了也不过没a也不过 总之就是不过，没一次二面，深深的怨念。觉得我不够资格就直接拉黑简历呗，每次都捞起来重新拷打一顿什么意思呢。

boss上 目前只投了一些小公司和小厂 只有两家小公司约面了 大部分都是不回复  可以给些建议嘛好焦虑

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...