第 15 题：LoRA（Low-Rank Adaptation）的数学原理 题目 解释 LoRA（Low-Rank Adaptation）微调的数学原理。 一、动机 全量微调大模型要更新全部参数，显存与算力成本高。LoRA 假设预训练权重在适应新任务时，有效更新是低秩的，因此只学习一个低秩增量，与原权重相加得到适应后的权重，从而大幅减少可训练参数与显存。 二、数学形式 设某层线性变换为 ，。LoRA 不直接改 ，而是增加低秩分解的增量：  其中 ，， 为秩。前向时：   训练：只训练 、， 冻结；参数量从  变为 。 推理：可把  算好存成一张矩阵，等价于单层线性，无额外延迟；或保留  分开算...

rt 不知道是真的假的丁老板 太难绷了

原来就算签了协议也是可以提前走的吗，有无有经验的前辈说说是真的吗

第 37 题：世界模型（World Model）在 Agent 中的作用 题目 什么是世界模型（World Model）？在 Agent 中的作用是什么？ 一、什么是世界模型？ 世界模型（World Model） 指对环境与自身行为后果的内部表示或预测模型：即“若我执行动作 A，环境会如何变化、会观察到什么”。它使 Agent 能在不真实执行的情况下，在内心“推演”可能的结果，从而支持规划、反事实推理与样本高效学习。 在经典控制与 RL 中，世界模型常指状态转移与奖励的预测模型（如学一个 ）；在 LLM Agent 语境下，可泛化为：用模型（含 LLM）预测或模拟“某动作会导致什么观察/状态”...