杭州大厂后端日常实习咨询

已挂 华为：一面挂，数据挖掘模型原理追问没答好字节跳动：简历挂，缺乏相关实习经历流程中拼多多：笔试通过，一面通知已收到网易：简历初筛通过，等待笔试携程：二面结束，谈了薪资期望已 oc 的某互联网中厂：数据挖掘岗，薪资符合预期，在走签约流程其他小红书：刚投递

总时长4-50min，对自己的表现总体感觉中等。 1.项目相关大概20min  你们的这个缓冲队列是如何保证不重复读取的 @Async注解你有了解吗 如果Redis宕机了，或者是取出来之后程序宕机了怎么办？ 你了解rewritebatchedstatements参数吗？ 批量插入的时候你怎么处理中间某条数据失败的情况？怎么回滚？ fastjson2和jackson有什么区别，它的优势在哪里？JSONpath我记得在jackson中也有有什么区别吗？  2.八股  我自己主动引导的讲了Java的锁升级相关（这里没讲好，因为担心我话太密了只讲了个大概，然后面试官没有追问，我很多细节没讲出来） Ja...

两个手撕，同时在线人数，一个是最大人数一个是时间点查询，我第一道有bug没调试出来，第二道讲思路面试官没听懂，寄了。看来我与腾讯有缘无分。

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...