西安华为od终端审批一直卡着

鼠鼠bg211本，无ai项目，感觉来不及，最近会补些ai东西，目前情况如下1.字节不给面，去年脏过面评，过年前几天打电话约面，没状态遂放弃，暑期不约面2.虾皮日常，一面挂，实习讲的粗3.腾讯暑期，一面挂，项目准备不充分，瞎扯被面试官识破4.快手一面挂，一些深八股还有场景纵然有思考，但有4,5个槽点，不给推流程了5.拼多多因为要补考，笔第二次，成绩2.多，被挂，学长去年字节实习4月多离职的，5月拿到的offer,以为并不晚，现在看来确实有点晚6.美团不约面,还以为是救命稻草，今年没想到啊没想到，看到问ai了，我最近研究研究7.网易互娱4.1笔第二场（成绩1.37），感觉有点晚，我都看见有人拿of...

不知道过两年会变成啥样…   

28届985本，科班，一直走的是本科就业的路子，学习Go后端，曾经还因为周围人卷保研而自己早已踏上了“正确的道路”而沾沾自喜。现在大二下，工程和算法能力还可以，但保研基本无望，也不想考研。愈发觉得自己所谓“正确的道路”可能并不是多么明智，AI以惊人的速度进化，一年之后或者两年之后，后端还存在吗？大部分的工作是否都和AI算法之类的强相关呢，但这又是一个需要研究生以上学历、需要卷论文的方向，本科就业者基本碰不到。自己的本科学历会不会在后端工作一两年就被“降本增效”了，或者是到了大三大四根本找不到对口的工作了？抱歉，可能我有点想到哪说到哪了，我不知道自己是不是在杞人忧天，现在有点迷茫，希望各位已经进入业界的大佬能够给我指条明路，谢谢！

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...