一面1.介绍实习重点2.jvm运行时内存数据3.jvm垃圾回收判定，附带回收算法、垃圾回收器4.常见oom、栈溢出场景5.redis持久化方式、不同持久化方式优点，适用场景6.redis主从复制原理7.redis主从延迟问题解决8.算法题 hot100(1)删除倒数第k 个节点(2)岛屿数量9.反问二面1.批判使用本地缓存cache场景不合适2.实习难点、重点3.Jvm垃圾回收4.Redis io多路复用5.算法题 多个有序数组，找出topk6.10G 文件，每行代表一个数，内存100M,找出topk方案7.课题方向8.Ai 大模型有过相关的了解吗9.反问

这个简历还能找得到工作吗？😭  

1. 如果想要在某个模型基础上做全参数微调，究竟需要多少显存？这个问题不能只看模型参数量，还得把训练时真正占显存的几部分一起算进去。全参数微调时，显存通常会被下面这些东西吃掉：模型参数本身梯度优化器状态前向传播保存的激活值CUDA 运行时和框架缓存如果用的是 AdamW 这类优化器，除了参数之外，还要额外维护一阶矩和二阶矩，所以训练显存会明显高于推理显存。一个比较粗糙但实用的经验是：全参数微调的显存，往往是模型权重显存的 6 到 12 倍左右，具体还得看序列长度、batch size、是否开 gradient checkpointing、是否做 ZeRO/FSDP 分片。拿 7B 模型举例，F...