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...

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

今天刚面完，有点无聊，攒一下人品，依旧自我介绍起手用的是赛码网，拷打实习和项目部分略过，都是跟@前端小圆学的vue和react简历上都写了所以仔细问了下区别，选型，场景性能优化虚拟列表强弱缓存以及使用场景http和https的区别http1.0和http1.1的主要区别实习中感觉困难的事情大文件上传skills和rules的区别，顺带聊了下mcp和平时业务中使用等场景react的fiber机制typescript的interface和type的区别算法：https://leetcode.cn/problems/valid-parentheses/?envType=study-plan-v2&a...