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...

简历这样子想找个硬件实习够了吗

鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐

段段很久没法文章啦，主要是最近是多事之秋，跟主管battle绩效，还要面试和推进流程，实在没心情，现在offer下来了，基本尘埃落定了，段段也准备南下了。 AI Coding已经深入到每个程序员的工作中了，从最开始的尝试、质疑、理解和接受，这个过程是非常快的，也应了我之前发的文章中提到的，AI现在是指数级发展。 本文将结合日常工作经验，为大家梳理一下AI Coding的几个实战技巧。一、幻觉边界、测试先行 测试先行，测试先行，测试先行，重要的话说三遍。为什么要测试先行，可能很多人要问了，测试不都是最后吗？那是以前了，但是现在用AI写代码，就会涉及一个问题，如何保证AI写的代码最后能通过测试，我...