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...

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈

26届本科，这样的简历春招能拿到offer吗

1h左右，面试官人很好，我答不出来的时候会引导我。组里是做OLTP相关的。项目介绍对称协程是什么协程A调用了协程B，B完成后，怎么知道要返回A除了协程还有什么实现异步的方法有哪些零拷贝相关的系统调用mmap映射的内存属于内核态还是用户态进程除了通过fork创建，还可以如何创建？进程创建的流程。snapshot是什么隔离级别？各个隔离级别怎么实现的？什么是脏写？可能会产生什么问题？LRU-K算法题：爬楼梯。