秋招跑了小半年，我算是看透了，现在的招聘，明面上的JD写得比唱的还好听，什么“本科及以上”“男女不限”“能力优先”，背地里全是隐形歧视，条条框框能给你列几十条，你连怎么死的都不知道！今天必须把这些上不了台面的隐形歧视全扒出来，看看你们有没有遇到过同款离谱操作！1. 学历歧视：JD写着本科及以上，实则双非直接进垃圾桶这是最常见、最离谱的隐形歧视，没有之一。JD上明明白白写着“本科及以上学历，计算机相关专业”，结果呢？人家的系统直接给你分三六九等：985先看，211备选，双非直接扔垃圾桶，专升本、民办本科更是连HR的眼都入不了。我双非本科，秋招海投了上百家，80%都是已读不回，内推的学长跟我说，很...

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...