第 15 题：LoRA（Low-Rank Adaptation）的数学原理 题目 解释 LoRA（Low-Rank Adaptation）微调的数学原理。 一、动机 全量微调大模型要更新全部参数，显存与算力成本高。LoRA 假设预训练权重在适应新任务时，有效更新是低秩的，因此只学习一个低秩增量，与原权重相加得到适应后的权重，从而大幅减少可训练参数与显存。 二、数学形式 设某层线性变换为 ，。LoRA 不直接改 ，而是增加低秩分解的增量：  其中 ，， 为秩。前向时：   训练：只训练 、， 冻结；参数量从  变为 。 推理：可把  算好存成一张矩阵，等价于单层线性，无额外延迟；或保留  分开算...

正在魏家凉皮吃饭呢，突然看见一个IP是上海的电话，当时就已经猜出来可能是字节跳动了，问我有没有实习的意向，最快多快到岗，能干多少天，然后说有个番茄小说的岗位可能会来面试我什么的，说实话，最近都好久没有投简历了，可能是过年那会投的，没想到现在被捞起来了，希望运气好一点吧，好久都没背八股了，这些天天天上班上的人有点累啊，听见有面试的机会，感觉整个人都精神起来了

要招就招，每次一脚踢开，挂完一两小时后 发面试邀请，我又乖乖接受 还有机会吗

1.基础认知类：请用通俗的话说明，什么是Agent？它与传统AI工具的本质差异是什么？回答模板：可以理解为，Agent是一种具备自主执行能力的智能体，能够完成“理解目标—制定方案—执行任务”的完整流程，不依赖人工逐步指令。例如传统翻译工具，需要用户复制文本、选择语言、点击翻译，每一步都需要人工参与。而Agent只需接收类似“把这份英文合同翻译成中文，检查专业术语并生成PDF发送到邮箱”的指令，就能自动识别文件、调用翻译服务、校验内容并完成发送，全流程无需人工干预。主要区别体现在三点：第一是自主性，传统AI依赖指令驱动，Agent可以主动拆解目标并规划步骤；第二是闭环能力，传统AI输出结果即结束...