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...

难道前端真的已经不行了？

我大三tmd逃课去白马培训是吧，你老冯同意了没？

确实有影响。HR朋友跟我说，颜值高的简历照片确实会多看两眼，但到了技术面，面试官根本不care你长啥样，只看你代码写得咋样。她说见过帅哥一面就挂的，也见过长相普通但offer拿到手软的。我自己的观察是：长得好看最多在边缘case时占点便宜。比如两个人水平差不多，HR可能会倾向于选形象好点的。但如果技术差距明显，颜值救不了你。真正的加分项是：整洁的穿着、自信的表达、良好的精神状态。这些比单纯的颜值管用多了。我每次面试都会提前理发、穿干净衬衫、睡够觉，感觉确实比蓬头垢面去面试效果好。所以别太焦虑颜值。把简历打磨好、技术学扎实、面试准备充分，这些比长得好看重要一百倍。