一面： 十亿费用宣发会怎么选 手撕反转链表 二面： layer norm是什么，和bantch norm有什么区别 手撕一个layer norm实现 重点： 机器学习基础比较重要最后hr都会问“你还有什么问题想问我吗”：请问您觉得我在今天的面试当中有哪个环节答的好，或者有哪个环节的回答您特别不喜欢，您有什么好的改进建议？

腾讯面试这个状态是啥意思

大家都在说今年找实习难，但是字节跳动招7000+，腾讯招10000+，合计1.7万个实习生岗位。这规模都快赶上某些985大学一届本科生的总数了。但是具体细节确别有洞天，字节7000个坑，研发类占了4800；腾讯更夸张，技术产品岗直接扩招39%，潜台词：能熟练使用AI工具的复合型人才实习生越多，正式工越少，与其说是实习生不如说是临时工。国家应该限制实习，每个人实习有上限，另一个不允许企业大规模招超长期实习生

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...