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...

主播27号面完，到现在还显示这个是不是要挂了啊

在牛客上投简历，被20人小厂给拒了，简历都没过筛😭😭😭。大佬们，求求给一些简历优化建议，推荐再塞个 ai吗(之前有做过很简单的rag)？还有就是我们教研室有一个项目，但是他是主要核心在spark，flink，模型，后端都是统计，增删改查之类的。大佬们，这个推荐我写吗？

这部门我刷到连商科的都捞，没有问Java相关问题，都是在对我项目的选型进行提问，也算是让我换个角度去思考问题。秒杀模块有没有调研其他厂商，你写的秒杀模块和其他厂商的有什么具体不一样的地方为什么要用消息队列异步写库，数据库在什么情况下会有压力，数据库资源规格是什么样的，比如分配了多少内存，cpu，磁盘你说你是模拟的，那模拟到什么程度数据库会有瓶颈，怎么判断达到瓶颈，用户量达到什么程度需要异步为什么要设计caffeine+redis二级缓存框架，为什么热key会造成redis的压力，如果只是读取压力有这么大吗，热key的读取压力和非热key读取redis承受能力有多大差距加入caffeine之后数...