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...

就不投

1. 在你做过的嵌入式项目中，请详细描述系统整体架构是如何设计的，各个模块之间是如何解耦和通信的？答案：一般我会采用分层架构设计，把系统拆成三个层次：驱动层（Driver/HAL）封装 SPI、I2C、UART、GPIO 等硬件操作对上提供统一接口，屏蔽具体芯片差异服务层（Service）对驱动进行二次封装，例如：传感器服务通信协议解析负责数据处理和逻辑封装应用层（Application）实现具体业务逻辑不直接操作硬件解耦方式：使用**消息队列（Queue）**传递数据使用回调函数处理事件模块之间只通过接口通信，不直接访问内部数据核心原则：“高内聚、低耦合”尽量避免全局变量共享2. 在嵌入式系...