腾讯怎么一个日常实习都这么多面啊

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...

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

1. 判断一个对象是否是 Promise（使用TypeScript）面试写法 function isPromise<T = any>(val: any): val is Promise<T> { return ( val !== null && (typeof val === 'object' || typeof val === 'function') && typeof val.then === 'function' ) } 面试讲解要点核心标准不是 instanceof Promise Promise 的本质：thenable（拥有 ...