1. 自我介绍 简单聊聊你写的这个项目2. bge-m3 的预训练过程是什么，为什么它可以高效检索bge-m3 的核心不只是“做 embedding”，而是把多种检索信号统一进同一个模型框架里。它同时支持 dense、sparse 和 multi-vector 三种表示。dense 负责语义层面的相似性，sparse 更接近词项权重匹配，multi-vector 则适合处理长文档、多粒度语义对齐。这样一个 query 不再只依赖单一路径召回，所以在复杂检索场景里更稳。从训练角度看，它一般不是只靠单一对比学习目标，而是会结合多任务数据，让模型既学语义匹配，也学词面相关性和局部对齐能力。高效检索的...

你在leetcode上练的都是死代码能力🤣

各位前辈好 浙大本科，0实习0科研0绩点，唯一优势可能学校大作业做的比较扎实（但没啥用）。留学实习两手抓，现在开始学开发还来得及在暑假找到实习吗？以及简历上需不需要放一个魔改的项目呢？简历目前是ai做的，求建议拷打。

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...