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...

本2硕9，力扣是没刷完的，八股是没背完的，准备先投中小厂练练手，逼自己先面试找找感觉。大厂到底什么时候才配投啊，看了面经能掰扯的最多才一半

目前进度是codetop前五页+hot100刷完了，八股背完了一轮但是感觉没背熟，求大佬们拷打简历

CPU 飙高排查我一般分三步：第一：确认是用户态还是系统态高，用 top 看 us/sy/wa第二：定位具体进程，再定位线程第三：结合线程栈分析是死循环、锁竞争、GC 频繁还是线程过多1）us 高、sy 低、wa 低含义：纯用户态计算，无阻塞、无系统调用、无 IO典型原因死循环复杂计算 / 递归JSON / 序列化疯狂正则回溯爆炸GC 线程疯狂（VM Thread、GC task）栈特征：大量 RUNNABLE，一直占 CPU 不释放一句话：us 高 sy 低 = 业务代码死循环 / 计算密集 / GC 频繁，直接 jstack 找 RUNNABLE 栈。2）sy 高、us 低 / 一般含义：...