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...

我觉得我经历很丰富啊，为什么在西安只有7k😭

对不住了bro哈哈哈哈哈

自我介绍实习项目介绍询问项目中的一些问题检索 Agent 中是如何做上下文管理的，简单的说了一下我们做的上下文管理工具，把一些无用的内容摘出上下文大语言模型的输出是如何进行约束的，我说是通过业务的自我检查和系统提示词约束来做的，(但实际上我们那边是通过在推理引擎那里做的工作，但我不明白不敢说)然后一些项目上的其他问题一道 AI Coding 的题目，不可以直接把题目丢给 AI，要自己先提炼出需求。我是先整理成了一个 md 文档，然后让 codex 来做，但是梯子质量有问题，特别慢，做完了后我又开了一个 Codex 会话来帮我检查，检查到一半，面试官说 OK 了。直接进入反问环节。总时长 45m...