南京银行终面

1、自我介绍2、离职还是在职3、项目里负责哪些部分4、c#和lua5、UGUI底层实现6、Mesh的生成以什么单位组织的？7、怎么会触发UI界面rebuild8、类与结构体的区别9、日常哪里会用到结构体？10、Ref和out，in和out11、Ref传入一个list的时候，会怎么处理？用在什么地方？12、UI框架的UI管理器有哪些大块的功能？13、UI加载是异步的还是同步的？14、UI界面是怎么分组，层级管理是怎么做的？15、UI框架基类是如何组织的？16、视图的生命周期是由谁去管理？17、滚动视图组件，有没有读它的源码18、分帧加载？分帧实例化19、AI的了解，AI工具用哪些？用什么大模型？...

timeline过年前就约的年后三月份的面试2026 3.05 一面2026 3.10 二面（挂）2026 3.13 二面2026 3.16 hr面2026 3.19 口头oc2026 3.20 offer两道手撕无重复字符最长子串数组中能组成小于n的最大数字记录一下 不多写什么了 同时也感谢平台上以前发面经的佬们记录的一些手撕题目 刷一刷颇有成长

寒假投了几十份简历，有约面试但是没去，八股还没背，hot100也没刷可以有实习吗，还有能优化的地方吗？求求大佬指点

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...