1. 介绍一下你项目中遇到的最复杂的技术问题，如何解决的？参考答案：我在做电商系统时，遇到过一个分布式环境下的数据一致性问题。场景是用户下单时，需要同时操作订单服务、库存服务、积分服务三个服务，如果其中一个失败，其他服务需要回滚。最初我使用了Seata的AT模式实现分布式事务，但在压测时发现性能很差，TPS只有200左右。通过分析发现，Seata的全局锁机制导致了严重的性能瓶颈，特别是在高并发场景下，大量请求在等待全局锁。我重新设计了方案，采用基于消息队列的最终一致性。下单时先创建订单，发送消息到Kafka，库存服务和积分服务监听消息异步处理。为了保证可靠性，实现了以下机制：消息可靠性方面，生...

这个写的很垃圾吗

😭求锐评😭找不到实习好伤心

1. 如果想要在某个模型基础上做全参数微调，究竟需要多少显存？这个问题不能只看模型参数量，还得把训练时真正占显存的几部分一起算进去。全参数微调时，显存通常会被下面这些东西吃掉：模型参数本身梯度优化器状态前向传播保存的激活值CUDA 运行时和框架缓存如果用的是 AdamW 这类优化器，除了参数之外，还要额外维护一阶矩和二阶矩，所以训练显存会明显高于推理显存。一个比较粗糙但实用的经验是：全参数微调的显存，往往是模型权重显存的 6 到 12 倍左右，具体还得看序列长度、batch size、是否开 gradient checkpointing、是否做 ZeRO/FSDP 分片。拿 7B 模型举例，F...