哎，真的心累了，一面二面好不容易都过了，而且印象好像还挺不错的，三面也准备的比较完善了。结果不幸的事情还是发生了，我感觉我能回答的已经很全面到位了，虽然能感觉到大leader应该是非技术出身的，但是有一些奇奇怪怪的问题我是真的有些无奈。自我介绍项目介绍你的项目使用了Paimon，那Spark，Hive这些与Paimon有什么区别为什么使用Paimon，有什么优点实习的时候，你学了什么新技术呢那你说一下离线作业的优化方法Spark参数怎么调？那么除了上面的你说的这些优化，像Hive，Spark或者数据湖这些分布式架构，他们共有的导致数据慢的问题有什么呢？你了解AI的实现技术架构吗？那你认为怎么用...

26届学院本，想投Java后端开发，投了1000多份，只面试了3次，第一次都说好了的后面又说不要我了，还有一个群面的公司，4 5个人一起面试然后就没后续了，当然，我的技术栈会的不多，项目好像也烂大街了，学历也不好，现在计划想着要不要考研啥的，很迷茫，求大佬们指点，感谢🙏

#简历中的项目经历要怎么写##你已经投递多少份简历了#

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...