哈啰校招开始了

先给大家泼一盆冷水：不是大厂实习就一定能镀金，也不是小厂实习就一定没价值。90%的人选错实习，不是因为大厂小厂，是因为根本没搞懂自己要什么。先说说大家吹上天的大厂实习，那些没人告诉你的坑：90%的大厂实习生，都是打杂的螺丝钉，根本碰不到核心业务网上总说大厂实习能学东西，可现实是，大部分大厂实习生，进去之后干的都是贴发票、整理文档、写CRUD接口、改简单bug的活，连核心项目的代码仓库权限都没有，更别说参与架构设计、核心业务开发了。我身边太多同学，在大厂实习了半年，除了会走公司的上线流程，技术一点没长进，简历里除了“参与XX项目”，啥也写不出来，秋招面试被深挖项目，直接哑口无言。大厂的金字招牌，...

如题，tl：3.3 投递3.9 一面3.17 二面3.25 三面3.26 hr面4.1 offer给同样面了腾讯的同志们一点参考。说好的字节才是双非友好大厂呢，为什么我简历是投一次锁一次，以后要当节恨子！鹅是人生第一次面试，本来以为要挂几次，没想到流程还算顺利，初面就直接给我过了，我要感谢腾讯，感谢面试官，感谢hr，感谢所有人。真心是体会到了，找日常实习就是七分运气三分实力

周一入职培训，下午按照部门经理发的文档学习了一下午。第二天去部门上，客开得去部门上，按mentor的要求读文档看学习资料。第三天，因为通勤时间很长，休息一天，然后hr直接说不合适，走离职流程。工资也不准备发，后面还是争取到了，总之避雷。合同上说是一周至少三天。

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...